1917年奧地利數(shù)學(xué)家拉東提出了由投影重建圖像的理論，奠定了CT圖像重建的基礎(chǔ)。在如今的AI時代，將熱門的深度學(xué)習(xí)或機器學(xué)習(xí)和斷層成像的結(jié)合，不僅有助于圖像分析，還有助于圖像重建。這篇文章重點探討機器學(xué)習(xí)在CT圖像重建中的應(yīng)用，即深度成像。

(CT圖像重建的過去，現(xiàn)在和未來。)

深度成像的原理

圖像重建是從原始數(shù)據(jù)(利用斷層掃描測量的特征)到底層圖像，是下圖中從圖像到特征的逆操作。深度成像的直接路徑可以簡單地從原始數(shù)據(jù)到初始圖像，然后通過細化深度網(wǎng)絡(luò)處理所重建的圖像。(與深度學(xué)習(xí)的重疊)。

(通過非線性多分辨率分析(全連接或局部連接)進行特征提取和分類的深度網(wǎng)絡(luò)。)

低掛和高掛果實的路線圖

對于深度成像，有各種技術(shù)可以開發(fā)為低掛和高掛果實。讓我們先來看看低掛的果實，然后是高掛的果實。但是，這些可以并行進行。

低掛果實

首先，通過用深度學(xué)習(xí)對應(yīng)物替換當前圖像重建方案的一個或多個機器學(xué)習(xí)元素，可以收獲低懸的果實。將每種類型的重建算法視為有機流程圖，并且一些構(gòu)建塊可以由機器學(xué)習(xí)對應(yīng)物替換。如下圖所示，用于迭代重建的一般流程圖，相應(yīng)的原始模塊可以被機器學(xué)習(xí)模塊敲掉。

(在傳統(tǒng)的迭代重建流程圖中替換機器學(xué)習(xí)模塊來摘取低掛果實。)

現(xiàn)有技術(shù)的重建算法可用于指導(dǎo)相應(yīng)的深度網(wǎng)絡(luò)的構(gòu)建。通過萬有逼近定理，每個計算元素應(yīng)該具有神經(jīng)網(wǎng)絡(luò)對應(yīng)物。基于深度學(xué)習(xí)的重建的真正強大之處在于數(shù)據(jù)驅(qū)動的知識增強能力，以便在特定于應(yīng)用的低維流形內(nèi)承諾更智能的初始猜測，更相關(guān)的中間特征以及最佳正則化的最終圖像。

高掛果實

相比之下，高掛果實并不一定涉及經(jīng)典重建算法的任何關(guān)鍵要素。憑借最先進的深度成像算法，可以涵蓋最廣泛的圖像重建問題，以獲得優(yōu)于現(xiàn)有技術(shù)的成像性能。

網(wǎng)絡(luò)配置

針對典型應(yīng)用的網(wǎng)絡(luò)拓撲(和動態(tài))設(shè)計是一個突出的目標，這相當于算法設(shè)計或計算機體系結(jié)構(gòu)設(shè)計?？梢源竽懲茰y深度成像網(wǎng)絡(luò)可能勝過傳統(tǒng)的成像算法，因為深度網(wǎng)絡(luò)的信息處理在激活函數(shù)中是非線性的，通過深度分層的結(jié)構(gòu)是全局的，并且是從大數(shù)據(jù)中獲得的綜合先驗知識的最佳選擇。這與線性，局部或臨時的許多傳統(tǒng)正則化器形成鮮明對比。目前，網(wǎng)絡(luò)設(shè)計在整體架構(gòu)和組件特性方面仍然是一個積極探索的領(lǐng)域，并且很少涉及圖像重建的目的。

通過模仿神經(jīng)可塑性-大腦在學(xué)習(xí)，適應(yīng)和補償方面的成長和重組能力，可以進一步改善深層神經(jīng)網(wǎng)絡(luò)和人工智能。目前，使用試錯法獲得了深層網(wǎng)絡(luò)中每層的層數(shù)和神經(jīng)元數(shù)量，并且不受任何理論的支配。關(guān)于大腦的成長和重組，未來的深度網(wǎng)絡(luò)可以以相同的方式工作，變得更具適應(yīng)性，更適合醫(yī)學(xué)成像。

數(shù)據(jù)生成

高級圖像建模和數(shù)據(jù)生成非常重要。在臨床中，存在數(shù)量巨大的圖像量，但僅標記了有限量的圖像，并且患者隱私一直是醫(yī)學(xué)成像研究的障礙。盡管如此，大數(shù)據(jù)和深度學(xué)習(xí)的領(lǐng)域已經(jīng)成熟。首先，研究人員逐漸可以獲得大數(shù)據(jù)。一個很好的例子是全國肺部篩查試驗(NLST)。在這種情況下，將成像數(shù)據(jù)與重建圖像配對是非常寶貴的。另一方面，真正逼真的模擬器可以發(fā)揮關(guān)鍵作用。例如，高性能模擬器(如用于CT研究的CatSim)可以將實際圖像作為輸入，以產(chǎn)生用于訓(xùn)練和測試目的的高質(zhì)量“原始數(shù)據(jù)”。更有趣的是，可以構(gòu)建一個通用的解剖圖像模型來生成大數(shù)據(jù)。例如，使用解剖圖譜，例如基于可見人類項目的圖像，我們可以產(chǎn)生代表不同對比(例如CT和MRI)的人體的圖像體積。利用可變形的變形方法，可以產(chǎn)生大量解剖學(xué)上逼真的圖像。

(RPI懷孕女性模型的器官和體表分別在3個月，6個月和9個月結(jié)束時用于估計放射學(xué)檢查中的輻射劑量)

深度成像的兩個例子

第一個例子是從質(zhì)量差的正弦圖到高質(zhì)量的正弦圖。現(xiàn)在，每個體模包含一個固定的背景盤和圓形背景內(nèi)的兩個隨機盤：一個盤代表一個X射線衰減特征，另一個盤代表一個X射線不透明金屬部分。圖像大小是32×32。之后，從90個角度生成正弦圖。金屬被阻擋的投影與金屬被透明物體替換后形成的完整投影相關(guān)聯(lián)。然后，可以訓(xùn)練深度網(wǎng)絡(luò)以從低質(zhì)量投影預(yù)測大大改善的投影

第二個例子展示了Harvard放射學(xué)胸部CT數(shù)據(jù)集深度學(xué)習(xí)的潛力。這些數(shù)據(jù)集以低劑量水平獲得。它們使用三種重建技術(shù)重建：濾波反投影(FBP)，自適應(yīng)統(tǒng)計迭代重建(ASIR)和基于模型的迭代重建(MBIR)。這些都是在商用CT掃描儀上實現(xiàn)的。遵循與前兩個示例相同的深度學(xué)習(xí)過程，并將FBP圖像作為輸入，將MBIR圖像作為神經(jīng)網(wǎng)絡(luò)訓(xùn)練的黃金標準。為了比較，使用塊匹配和3D濾波(BM3D)方法和深度神經(jīng)網(wǎng)絡(luò)對FBP圖像進行圖像去噪。與MBIR對應(yīng)物相比，顯示了深度學(xué)習(xí)的圖像去噪效果。可以觀察到，通過深度學(xué)習(xí)實現(xiàn)的圖像質(zhì)量與MBIR非常相似，但深度學(xué)習(xí)比現(xiàn)有技術(shù)的迭代重建快得多。有趣的是，標準的“廉價”FBP之后的計算有效的后處理神經(jīng)網(wǎng)絡(luò)實現(xiàn)了與更精細的迭代方案非常相似的結(jié)果，然而神經(jīng)網(wǎng)絡(luò)解決方案不需要任何明確的物理知識。

深度學(xué)習(xí)還可以幫助調(diào)整或設(shè)計特定于不同器官，病變類型和患者特征的成像和閱讀協(xié)議。此外，基于大數(shù)據(jù)的深度成像軟件可以查詢跨機構(gòu)和醫(yī)學(xué)專業(yè)的數(shù)據(jù)，并通過整合諸如患者年齡，性別，癥狀，病史，疾病概況，生物化學(xué)，病理學(xué)，微生物學(xué)和基因組等信息來超越現(xiàn)有的決策支持計劃。此外，為什么不通過深度學(xué)習(xí)結(jié)合診斷和治療?監(jiān)督自主機器人軟組織手術(shù)就是一個初始的例子。

聲明：本文為轉(zhuǎn)載類文章，如涉及版權(quán)問題，請及時聯(lián)系我們刪除（QQ:2737591964），不便之處，敬請諒解！