CT图像重建的发展：从滤波反投影到人工智能

自1972年问世以来，计算机断层扫描（CT）已经发展成为一种非常成功且必不可少的诊断工具。CT的成功故事反映在每年CT检查的数量上，在过去十年中，CT检查的数量以每年6.5％的速度增长，2015年美国进行了8000万次的CT扫描。引入第一个断层成像方式后，该技术迅速发展。第一次临床CT扫描大约需要5分钟，而图像重建大约需要相同的时间。尽管重建时间长，但图像分辨率仅为80×80像素。如今，旋转速度提高到大约每圈四分之一秒，并且在高端系统中沿患者z轴方向的探测器覆盖范围增加到16 cm，从而可以在单个心跳中对整个心脏成像。在大多数临床应用中，横截面图像的分辨率提高到512×512像素，而最新型的CT扫描仪则提高到1024×1024像素或更高。（关于CT的发展历程，参见： 回望：CT五十年（1968-2018） ）

第一台CT的图像

GN Hounsfield. Computerized transverse axial scanning (tomography):Part 1[J]. Br.J.Radiol, 1973, 46.

然而，CT检查具有一个主要缺点。自从引入CT成像以来，对社会的辐射暴露已大大增加，这对于年轻患者而言尤其成问题。社会对与暴露相关的健康风险的认识不断提高，以及CT为应对这些风险而做出的努力，已经导致CT剂量的显著降低。减少CT辐射的最重要方法显然是仅在收益大于风险和成本时才使用此技术。但是，在临床上需要进行CT扫描的情况下，必须采用降低剂量的技术。引入了多种降低剂量的方法，包括管电流调制，器官特异性剂量调制，光束整形滤波器以及最重要的是优化CT参数。每个CT协议的基本参数包括管电流（mA），管电压（kV），螺距，体素大小，层厚，重建滤波函数和转速。必须认识到，参数的不同组合可以在将相同的辐射剂量输送给患者的同时实现显著不同的图像质量。例如，大像素与平滑滤波函数的组合可以为特定指示提供诊断质量，而使用较小像素和更锐利的滤波函数重建的相同采集将通过更高水平的噪声和伪影来提供非诊断图像质量。在临床常规中，经常通过调节管电流来控制辐射暴露。当降低管电流时，可以观察到图像噪声成比例的增加。因此，另一种减少剂量的技术涉及在根据原始投影数据重建三维数据中对图像噪声和伪像的正确处理。最初，CT图像是通过称为代数重建技术（ART）的迭代方法重建的。由于缺乏计算能力，该技术很快被简单的分析方法（如滤波反投影（FBP））取代。FBP是数十年来一直是首选方法，直到2009年临床上首次引入了迭代重建（IR）技术为止。几年之内，所有主要的CT供应商都将IR算法引入临床，并迅速发展为越来越先进的重建算法。来自美国和德国的学者在综述文章中简要介绍CT图像重建的整体发展及其临床实现。作者还为稀疏采样CT，光子计数CT，相衬/暗场CT（更多内容参见：下一代CT硬件技术及在心脏成像中的应用）和人工智能的未来发展提供前景。我们一起学习一下。

从概念到临床需要

1970年12月，Gordon等人发表了关于ART算法的初步研究，该技术属于一类IR算法，最初被用于重建轴位图像。但是，由于缺乏计算能力，ART在临床上并不适用，几十年来，一种更简单的算法（即FBP）已成为标准。通过FBP，应用高通滤波函数，然后进行反向投影步骤，可以从投影数据（正弦图）重建CT切片。随着CT技术的飞速发展，基于FBP的算法得到了改进和扩展，以跟上硬件的发展，例如Feldkamp等人1984年提出的用于重建大面积探测器数据的解决方案。在大多数情况下，FBP都可以很好地工作，并且可以产生具有较高诊断质量的图像。但是，由于越来越担心将（年轻的）患者暴露于电离辐射中，因此在较低的辐射剂量下可获得更多的CT扫描。不幸的是，这导致图像质量显著降低，因为图像噪声与辐射曝光之间存在直接的比例关系。此外，随着肥胖患病率的增长，用FBP重建的CT扫描图像质量下降。患者体型较大时，X射线光子的衰减会增加，导致到达CT探测器的光子减少，最终导致图像质量显著下降。FBP的优点是重建时间短，但主要缺点是它将原始数据输入到一个“黑盒”中，在这个黑盒中只能应用非常有限的模型和先验信息，例如当少量光子到达CT探测器时，不能正确地建模图像噪声。

滤波反投影（FBP）、混合迭代重建（IR）和基于模型的IR。使用FBP，通过应用高通滤波器和反向投影步骤（左列）从投影数据（正弦图）重建图像。在混合IR中，对投影数据进行迭代滤波以减少伪影，在反向投影步骤之后，对图像数据进行迭代滤波以减少图像噪声（中间列）。在基于模型的IR成像中，投影数据被反向投影到断层图像空间。随后，图像空间数据被前向投影以计算人工投影数据。将人工投影数据与真实投影数据进行比较，从而更新断层图像。同时，通过正则化步骤去除图像噪声。

当临床扫描仪使用FBP进行操作时，CT研究团队花费了大量精力来开发先进的IR算法，目的是使低剂量CT具有高诊断质量。这些发展大致可分为三种基本方法：（i）基于原始数据域的方法，（ii）基于图像域的方法，以及（iii）完全迭代算法。一个并行的进展是越来越多的具有成本效益的计算工具，如用于加速CT重建的可编程图形处理单元（GPU）。这种结合的发展已经触发了医疗器械行业发展先进的重建算法。

2009年，第一个名为IRIS（iterative reconstruction in image space，Siemens Healthineers）的IR算法获得FDA批准。这是一个简单的方法，类似于FBP只应用一个单一的反向投影步骤，从原始数据创建一个轴位图像。在图像空间中迭代地降低图像噪声。

在2年内，四种先进的IR算法获得FDA批准：ASIR（adaptive statistical iterative reconstruction，GE Healthcare）、SAFIRE（sinogram-affirmed iterative reconstruction，Siemens Healthineers）、iDose4（Philips Healthcare）和Veo（GE Healthcare）。前三种方法是所谓的混合IR算法。与FBP和IRIS类似，使用单个反向投影步骤。然而，混合IR方法更先进，因为它们迭代地过滤原始数据以减少伪影，并且在反向投影之后，图像数据被迭代地过滤以减少图像噪声。Veo是临床上第一个完全迭代的IR算法，是目前最先进的算法之一。

在全IR中，原始数据被反向投影到断层图像空间。随后，图像空间数据被前向投影以计算人工原始数据。前向投影步骤是IR算法的核心模块，因为它能够对数据采集过程（包括系统几何结构和噪声模型）进行物理上正确的调制。将人工原始数据与真实原始数据进行比较，从而更新断层图像。同时，通过正则化步骤去除图像噪声。重复前后投影过程，直到真实数据和人工原始数据之间的差异最小化。可以想象，完全IR比混合IR在计算上要求更高，从而导致完全IR的重建时间更长。由于重建时间较长，供应商决定开发一种不同的高级算法，称为ASIR-V（GE Healthcare），该算法于2014年获得FDA批准。

同时，其他供应商也推出了其他混合和基于模型的IR算法，包括AIDR3D（adaptive iterative dose reduction 3D，Canon Healthcare）、ADMIRE（advanced modeled iterative reconstruction，Siemens Healthineers）和IMR（iterative model reconstruction, Philips Healthcare）（表1）。2016年，基于模型的IR算法FIRST（forward projected model-based iterative reconstruction solution, Canon Healthcare）获得FDA批准。

临床CT成像中IR的引入导致了大量研究评估了这些方法的可能性。总的来说，这些研究表明，与FBP相比，IR提高了图像质量和诊断价值。在不影响图像质量的前提下，使用IR辐射剂量可降低23%-76%。

CT扫描迭代重建的出版物数量。基于Pubmed搜索（“迭代重建”和（“计算机断层扫描”或“CT”）的结果）

一些研究比较了多个供应商的不同方法，总的来说，这些研究发现，与混合IR和FBP相比，基于模型的IR可以进一步降低辐射剂量（图3）。多项研究评估了IR对特定身体部位图像质量的影响。由于X射线通过肺部空气的衰减很低，并且由于空气和肺组织之间的自然对比度很高，胸部CT检查的辐射剂量一开始就相对较低。在对24项研究的系统回顾中，Den Harder等人发现，通过应用IR，胸部CT扫描的平均辐射剂量可以从FBP重建的2.6（1.5–21.8）mSv降低到1.4（0.7–7.8）mSv。同样，在另一个高对比度的身体区域，心脏CTA的辐射剂量可以大大降低。使用FBP，10项冠状动脉CTA研究的平均辐射剂量为4.2（3.5–5.0）mSv，使用IR可降低至2.2（1.3–3.1）mSv，且保留客观和主观图像质量。然而，降低低对比度身体部位（如腹部）的CT辐射剂量更成问题。低对比度病变的可检测性在低辐射剂量下不能总是用IR来提高。然而，大多数研究发现，IR确实允许腹部CT检查的辐射剂量降低，而不会影响图像质量。

离体人体心脏，用四家供应商的高端CT扫描仪以4mGy和1mGy（剂量减少75%）进行扫描。图像重建采用滤波反投影（FBP）、混合迭代重建和基于模型的迭代重建。数字代表空气中的噪声水平（标准差）。可以发现，相对于低剂量的FBP重建图像，使用IR重建的噪声均明显降低。

Willemink M J , Takx R A P , Jong P , et al. Computed Tomography Radiation Dose Reduction: Effect of Different Iterative Reconstruction Algorithms on Image Quality[J]. Journal of Computer Assisted Tomography, 2014, 38(6):815.

当前和未来的发展

尽管与临床IR相关的出版物的数量和引入新型临床算法的速度已经放慢，但减少辐射暴露的挑战仍然是人们高度关注的话题。到目前为止，大多数降低剂量的策略仍在降低管电流或管电压的范围内，而IR算法可确保可接受的诊断图像质量。减少辐射暴露的一个截然不同的方法是获取较少的投影图像。这种受压缩感启发的策略被广泛称为稀疏采样CT。这种方法可以减少投影的数量，而对于每个单独的投影图像，辐射的曝光量仍然很高。稀疏采样采集的明显好处是，在避免电子噪声的影响的同时，每个单独投影的质量都有了提高（例如，增加了信噪比）。与当前技术所达到的剂量水平相比，这些好处使剂量减少了两倍或更多倍。但是，要从那些高度欠采样的数据重建断层图像，必须使用全IR算法。在过去的十年中，几位研究人员提出了IR解决方案，这些解决方案有可能在未来的临床中引入。能否转换为临床程序在很大程度上取决于何时能够使用稀疏采样功能的硬件（例如新型X射线管）。但是，已经发表了对临床潜力的首次评估。一个例子是可以结合超低剂量稀疏采样采集和全IR算法来定量确定骨矿物质密度（BMD）。

在过去的几年中，并行开发已将先进的先验知识集成到IR算法中。与传统的FBP相比，IR可以将先验知识整合到重建过程中。一种想法是利用先前的检查作为图像形成过程的一部分。例如，在肿瘤学随访期间，许多患者接受了同一解剖区域的顺序检查。通过在两次扫描之间共享解剖信息这一事实，可以在IR算法中利用这一事实来显著提高诊断图像的质量，同时减少辐射的暴露。先验知识的不同示例是将有关整形外科植入物的信息整合到重建过程中。金属伪影可能会引起广泛的噪声和条纹伪影，这是由高Z值材料构成的植入物引起的。但是，如果先验地知道植入物的形状和材料组成（例如，通过计算机辅助设计（CAD）模型或能谱分析），则可以说明将该信息集成到图像形成中可以消除伪影并改善诊断图像质量。

另一种已经进入临床环境的技术是双能CT（DECT）。DECT使材料分解成为可能，即通过利用低能和高能测量各种材料的与材料和能量相关的X射线衰减，对物体成分进行量化。与传统CT相比，这种技术有可能提高对比度，减少伪影。尽管这些进展已在临床上得到应用，但与辐射暴露有关的问题仍然存在，特别是对于这种CT检查方式。当在低辐射照射下获取数据时，材料分解步骤可以显著增强图像噪声。此外，基于模型或全IR的直接实现需要进行若干修改，以说明材料分解数据之间的统计依赖性。这种相关性包括反相关噪声，它在材料图像的整体图像质量中起着重要作用。IR算法允许建立反相关噪声模型，从而显著改善诊断图像质量。在过去的几年中，这类针对DECT的IR已经被引入临床常规。在虚拟单能图像（VMI）中，当考虑对比噪声比时，可以观察到这一结果。理论上，在低VMI（keV）设置时，应观察到噪声的强烈增加，而在高VMI设置时，应观察到噪声的适度增加。在具有最新IR的DECT扫描仪中，对于低或高VMI设置，可以观察到噪声几乎没有增加。不同的DECT采集方法可用，包括两个不同电压的X射线管、一个在电压之间切换的X射线管、一个部分滤过的X射线管和基于探测器的光谱分离（关于双能量的实现方法，参见：双能量CT的实现方法）。专用的IR算法，考虑到CT设计的差异，对于每个DECT方案都是必要的。可以预期DECT特定IR的进一步改进，例如通过集成学习算法。

双能量CT与光子计数CT的重建。区分X射线光子的能级可以重建能量选择性图像。基于材料在不同能级上的相互作用重建材料选择性图像。最后，对每种材质的不同颜色的组合图像进行重建。

光子计数CT（PCCT）是一种即将出现的多能量CT技术，正引起临床的广泛关注。这种独特的技术能够在排除噪声的同时计算单个X射线光子的数量，而不是简单地将每个像素中的电信号进行积分。此外，这些探测器可以执行“彩色”X射线检测；它们可以区分单个光子的能量，并将其划分为几个预定义但可选择的能量箱，从而提供透射X射线束的光谱分析。第一次临床评估表明，定量成像、材料特异性（K-edge）成像、高分辨率成像以及诊断图像质量的新水平以及辐射照射的显著减少具有良好的性能。然而，由于与DECT中的统计相关性相似的原因，传统CT中使用的IR算法并不是PCCT的最佳算法。例如，PCCT数据比常规CT数据更复杂，因为存在额外的多能量信息，并且根据探测器配置和硬件和软件设置，可以使用额外的探测器元件来实现高空间分辨率图像。图像采集的这些变化以及PCCT数据的噪声模型的差异需要集成到前向投影的模型中，以充分利用IR算法的能力。PCCT重建中的一个难题是将材料分解和图像重建分开进行。这种分离意味着信息的丢失，第二步无法补偿。为了使IR适应更高层次的复杂性，可以联合执行图像重建和材料分解。这可以通过正演模型来实现，正演模型直接连接（预期的）光谱投影测量和材料选择图像。第一个结果说明了克服PCCT相关挑战的可能性，但是目前的IR算法计算量仍然太大，因此重建时间对于临床应用来说太长。进一步开发具有临床可行重建时间的IR解决方案势在必行。

除此之外，其它基础CT的发展也正在研究中，即相位对比和暗场CT。当前CT成像中的图像对比度是基于描述光电吸收和康普顿散射物理相互作用的粒子模型。相位对比和暗场CT基于电磁波模型，因此图像对比度表示波-光相互作用，如相移或小角度散射。这些新的成像方法利用了X射线的这些波光学特性，例如将光栅干涉仪应用于X射线成像。与常规CT相比，可以获得更多的补充信息。相位对比CT提供了明显更高的软组织对比度，暗场CT提供了低于成像系统空间分辨率的结构信息。在考虑翻译时，需要保持临床标准，例如关于辐射剂量和获取时间的标准。为了确保这些临床标准，一种方法是用定制的IR算法重建原始数据。初步研究表明，IR算法在增强相位对比和暗场CT图像质量方面具有很大潜力。一个挑战是，连续旋转的CT似乎不可行；然而，全IR算法的最新发展使得连续旋转机架成为可能。这是向相位对比和暗场CT临床转化迈出的重要一步。（关于相位对比和暗场CT的更多信息，参见：下一代CT硬件技术及在心脏成像中的应用）。

另一种新兴技术是人工智能（AI）。除了图像分类，物体检测和游戏之外，AI还因其改善CT图像重建的潜力而备受关注。AI，更具体地说是机器学习，是一组能够从原始输入（例如单个像素的强度）到特定输出（例如疾病分类）生成映射的方法。通过机器学习，输入基于手工设计的功能，而无监督深度学习能够直接从数据中学习这些功能。多个研究小组正在努力应用AI来改善CT图像的重建。一个应用是基于图像空间的重建，其中卷积神经网络用低剂量CT图像训练以重建常规剂量CT图像。另一种方法是优化IR算法。通常，IR算法基于手动设计的先验函数，从而产生低噪声图像而不会损失结构。深度学习方法允许实现更复杂的功能，这些功能有可能实现低剂量CT和稀疏采样CT。这些AI技术有可能减少CT辐射剂量，同时加快重建时间。此外，深度学习可用于优化图像质量而不减少辐射剂量，例如，通过更先进的DECT单能图像重建和金属伪影减少。这些方法尚未准备好用于临床实施；但是，预计AI将在不久的将来在CT图像重建和图像恢复中发挥重要作用。我们预计AI将通过增强当前的重建方法来适应当前的临床CT成像工作流程，例如通过显著加速重建过程，因为训练网络的应用可以瞬间实现。

需要注意的是，目前还没有严格意义上的AI图像重建方法，目前用于临床的AI重建原则上应属于图像恢复。AI图像恢复方法，就像IR一样，目的是在可接受的辐射剂量下实现更优秀的图像质量，本质上并没有高下之分。如果IR可以实现优秀的图像质量，则不需要再使用AI对图像进行优化。关于人工智能的图像重建，参见：图像重建中的AI：The change is here。

总之，IR是一项已经进入临床实践的强大技术，在不久的将来可以从IR中获得更令人兴奋的进展。

打赏