Cell子刊 | 上海科技大学沈定刚等合作开发新的方法，实现快速低剂量医学成像生成

快速和低剂量的医学图像重建在临床中是非常需要的。

2023年7月18日，上海科技大学沈定刚及上海联影智能医疗科技有限公司石峰共同通讯在Cell Reports Medicine 在线发表题为“Fast and low-dose medical imaging generation empowered by hybrid deep-learning and iterative reconstruction”的研究论文，该研究提出了一种混合深度学习和迭代重建(hybrid DL-IR)框架，并将其应用于快速磁共振成像(MRI)、快速正电子发射断层扫描(PET)和低剂量计算机断层扫描(CT)图像生成任务。

首先，在回顾性MRI研究(6,066例)中，作者证明了其处理3至10倍采样不足的MR数据的能力，使器官水平的覆盖仅需要10至100秒的扫描时间；其次，低剂量CT研究(142例)表明，该框架可以在10%的辐射剂量(0.61 mGy)下成功地减轻扫描中的噪声和条纹伪影；最后，一项快速的全身PET研究(131例)能够重建肿瘤诱导的病变，包括小病变(<4毫米)，从2到4倍加速PET采集(30-60秒/bp)。该研究为精确、高质量的图像重建提供了一条有前景的途径，具有广泛的临床价值。

在临床场景中，磁共振成像(MRI)、计算机断层扫描(CT)和正电子发射断层扫描(PET)是三种最广泛使用的非侵入性诊断成像方式。直接的MR重建使用逆快速傅里叶变换(IFFT)，而CT和PET重建分别对采集的数据应用滤波反投影(FBP)和迭代重建(IR)。然而，放射科医生进一步寻求快速(如MRI和PET)和低剂量(如CT)获取方案，以提高患者的安全性、舒适性和吞吐量。此类获取方案收集的数据不完整或不可靠，使得图像重建成为一个病态的反问题。因此，先验知识应纳入重建，以抑制与次优获取相关的噪声和伪影。

红外成像方法已被广泛研究用于处理病态重建任务。一般来说，红外方法可以显著提高图像质量，同时确保数据与采集数据的一致性，并明确地将人工定义的约束应用于重建图像(如稀疏度、低秩度和平滑度)或采集数据(如理论分布)以达到去噪目的。典型的红外方法包括MRI的压缩感知(CS)重建，CT的基于模型的红外(MBIR)重建，PET的有序子集期望最大化(OSEM)重建。

最近，基于深度学习(DL)的数据驱动方法显示出令人印象深刻的构建结果，甚至在抑制噪声和伪影方面优于红外方法。大多数基于深度学习的重建方法通过卷积神经网络(CNN)将采集的数据或直接重建的图像(即通过IFFT，FBP或IR)映射到其完全采样(MRI)或去噪(CT / PET)对应物方法包括广义对抗网络(GAN)和U-Net。与人工设计约束去噪不同，基于DL的方法利用神经网络的卓越能力，隐式学习输入和输出的特征表示，并利用映射函数将输入特征转移到输出特征。然而，由于相同的数据-数据或图像-图像映射应用于所有去噪场景，基于DL的方法可能难以适应器官和病变大小和外观的巨大变化，导致过度平滑和解剖细节的丢失。

机理模式图（图源自Cell Reports Medicine ）

该研究提出了一种广义混合DL-IR方案来解决快速MRI、低剂量CT和快速PET采集的病态重建问题。混合DL-IR作为一种广义重建方案，同时利用基于DL的方法减轻噪声和伪影的能力，以及IR方法保留详细结构的优势。重构任务所需的模态特定知识可以灵活地纳入该广义DL-IR方案中，用于特定应用。例如，(1)对于快速MRI，首先进行基于DL的重建，以减轻重建图像中的噪声和混叠伪影，然后使用CS算法来细化细节结构；(2)对于低剂量CT，在MBIR迭代中加入基于三维DL的空域去噪，使得三维DL去噪可以隐式学习到更有效的正则化函数；(3)对于快速PET，在迭代过程中加入去噪和增强网络，从而同时提高图像对比度和噪声性能。

该研究将其具体应用命名为MRI中的人工智能(AI)辅助CS (ACS)， CT中的深度IR和PET中的超深度渐进重建(DPR)。然后，评估了混合DL-IR方案在这些应用中的性能。该研究证明了所提出的混合DL-IR将DL与特定领域的IR结合在一起，并为精确和高质量的图像重建提供了一个视角。该研究表明，所提出的DL-IR重建策略是通用的，灵活的，可以定制和适应不同的具体重建任务。

原文链接：

https://doi.org/10.1016/j.xcrm.2023.101119

转自：“iNature”微信公众号

如有侵权，请联系本站删除！