CT图像重建的演变——从滤波反投影到人工智能
本文综述了CT图像重建技术从滤波反投影(FBP)到迭代重建(IR),再到人工智能(AI)的演进历程。IR相比FBP可在不损害图像质量的前提下将辐射剂量降低23%至76%,且基于模型的IR相比混合IR和FBP可进一步降低剂量。文章还展望了稀疏采样CT、光子计数CT、相位对比/暗场CT及AI在CT重建中的前景。
要点
- IR相比FBP可在不损害图像质量的前提下将辐射剂量降低23%至76%。
- 基于模型的IR相比混合IR和FBP可进一步降低辐射剂量。
- 先进CT重建方法在当前临床环境中不可或缺,IR对光子计数CT、相位对比CT和暗场CT至关重要。
核心结论
- IR是一项已进入临床实践的强大技术,预计近期IR还会带来更令人兴奋的进展。
- AI有望通过增强现有重建方法融入当前临床CT成像工作流程,例如显著加速重建过程,因为应用训练好的网络可以即时完成。
研究设计与样本
- 本文为综述, concise回顾了CT图像重建的整体演变及其临床实施,并展望了稀疏采样CT、光子计数CT、相位对比/暗场CT和人工智能等未来发展方向。
- 文中引用了系统综述(24项研究)及多项临床研究数据,涵盖胸部CT、冠状动脉CT血管成像和腹部CT等部位。
关键影像表现/征象
- FBP通过高通滤波后反向投影重建图像;混合IR迭代滤波原始数据减少伪影并在反向投影后迭代滤波图像数据减少噪声;基于模型的IR通过正向投影计算人工原始数据并与真实原始数据比较以更新图像。
诊断标准与关键数值
- IR相比FBP可将辐射剂量降低23%至76%,而不损害图像质量。
- 胸部CT:FBP重建的平均辐射剂量为2.6(1.5–21.8)mSv,应用IR后可降至1.4(0.7–7.8)mSv。
- 冠状动脉CT血管成像:FBP重建的10项研究平均辐射剂量为4.2(3.5–5.0)mSv,使用IR后可降至2.2(1.3–3.1)mSv,客观和主观图像质量得以保持。
临床应用与阅片要点
- 在临床常规中,辐射暴露常通过调节管电流控制,降低管电流时图像噪声成比例增加。
- 不同参数组合可在相同辐射剂量下产生显著不同的图像质量,例如大像素结合平滑滤波器可为特定适应症提供诊断质量,而相同采集用小像素和更锐利滤波器重建则因噪声和伪影水平更高而无法诊断。
- 对于低对比度部位如腹部,IR在低辐射剂量下并不总能提高低对比度病灶的可检测性,但多数研究发现IR允许降低腹部CT辐射剂量而不损害图像质量。
局限性
- 原文未报告局限性。
全文中译3 节 · 点击展开
自1972年问世以来[1, 2],计算机断层扫描(CT)已发展成为一项极为成功且不可或缺的诊断工具。CT的成功历程体现在年度CT检查数量上,过去十年间该数量以每年6.5%的速度增长,2015年美国CT扫描总数达到8000万次[3]。在第一种断层成像模态引入之后,其技术发展迅速推进。首例临床CT扫描耗时约5分钟,图像重建耗时大致相同[2]。尽管重建时间较长,图像分辨率却很低,仅为80×80像素[2]。如今,旋转速度已提升至每圈约四分之一秒,高端系统中沿患者轴向的探测器覆盖范围增加至16 cm,使得在单次心跳内对整个心脏进行成像成为可能[4]。对于大多数临床应用,横断面图像分辨率已提高至512×512像素,而对于最先进的CT扫描仪,分辨率可达1024×1024像素或更高[5, 6]。
然而,CT检查数量的不断增加有一个主要缺点。自CT成像引入以来,社会所受到的辐射暴露显著增加,这对年轻患者尤其成问题。公众对暴露相关健康风险的认识不断提高[7]以及CT界为解决这些问题所做的努力,已经使CT剂量显著降低。减少CT辐射暴露最重要的方式显然是仅在获益大于风险及成本时才使用该技术[8]。然而,当临床确有CT扫描指征时,降低剂量的技术是必要的。多种降低剂量的方法已被引入,包括管电流调制[9]、器官特异性防护[10]、束成形滤过器[11],以及最重要的CT参数优化。每个CT方案的基本参数包括管电流(mA)、管电压(kV)、螺距、体素大小、层厚、重建滤过器和旋转圈数。必须认识到,不同的参数组合可在向患者传递相同辐射剂量的同时实现显著不同的图像质量。例如,大像素与平滑滤过器的组合可对特定适应证提供诊断质量,而同一采集数据若以小像素和更锐利的滤过器重建,则会因更高的噪声和伪影水平而提供非诊断质量。在临床常规中,辐射暴露常通过调节管电流来控制。当降低管电流时,可以观察到图像噪声成比例增加。因此,另一种降低剂量的技术涉及在从原始投影数据重建三维数据的过程中对图像噪声和伪影进行恰当处理。最初,CT图像采用一种称为代数重建技术(ART)的迭代方法重建[12]。由于缺乏计算能力,该技术很快被滤波反投影(FBP)等简单的解析方法所取代。FBP数十年来一直是首选方法,直到2009年第一种迭代重建(IR)技术在临床上被引入。这在CT成像领域引起了真正的热潮。几年之内,所有主要CT厂商都推出了用于临床的IR算法,并迅速演变为越来越先进的重建算法。在本文中,我们将简要审视CT图像重建的整体演变及其临床实施。随后,我们将展望稀疏采样CT[13]、光子计数CT[14]、相位对比/暗场CT[15, 16]和人工智能[17]的未来发展。
从概念到临床必需
1970年12月,Gordon等人提出了关于ART的初步研究[18],ART是一种属于迭代重建(IR)算法类别的方法,最初应用于重建横断面图像。然而,由于计算能力不足,ART在临床上无法应用,而一种更简单的算法,即滤波反投影(FBP),在此后数十年中成为标准。采用FBP时,CT切片通过先应用高通滤波器再进行反投影步骤(图1A),从投影数据(正弦图)中重建。随着CT技术的快速进步,基于FBP的算法不断改进和扩展以跟上硬件发展,例如Feldkamp等人1984年针对大面积探测器数据重建的解决方案[19]。在大多数情况下,FBP运行良好,可生成具有高诊断质量的图像。然而,由于对(较年轻)患者暴露于电离辐射的担忧日益增加,更多CT扫描以较低辐射剂量采集。不幸的是,这导致图像质量显著降低,因为图像噪声与辐射暴露之间存在直接的正比关系。此外,随着肥胖患病率的不断上升[20],采用FBP重建的CT扫描图像质量下降。体型较大时,X射线光子衰减增加,导致到达CT探测器的光子减少,最终导致图像质量显著降低。FBP的优点是重建时间短,但主要缺点是将原始数据输入一个“黑箱”,其中只能应用非常有限的模型和先验信息,例如在少量光子到达CT探测器时对图像噪声进行适当建模。
当临床扫描仪使用滤波反投影(FBP)运行时,CT研究界投入了大量精力开发先进的迭代重建(IR)算法,目标是在保证高诊断质量的同时实现低剂量CT。这些进展大致可分为三种基本方法:(i) 基于正弦图的方法 [21–23],(ii) 基于图像域的方法 [24–26],以及 (iii) 全迭代算法 [18, 27–30]。与此同时,成本效益高的计算工具日益普及,例如用于加速CT重建的可编程图形处理器(GPU)[31, 32]。这些进展的结合促使医疗器械行业开发先进的 reconstruction 算法。2009年,首个名为IRIS(图像空间迭代重建,Siemens Healthineers)的IR算法获得了FDA许可 [33]。这是一种简单的方法——与FBP类似——仅应用单次反向投影步骤从原始数据创建横断面图像。图像噪声在图像空间中迭代降低 [34]。在两年内,又有四种先进的IR算法获得FDA许可:ASIR(自适应统计迭代重建,GE Healthcare)、SAFIRE(正弦图确认迭代重建,Siemens Healthineers)、iDose4(Philips Healthcare)和Veo(GE Healthcare)[35–38]。前三种方法即所谓的混合IR算法。与FBP和IRIS类似,使用单次反向投影步骤。然而,混合IR方法更为先进,因为它们对原始数据进行迭代滤波以减少伪影,并且在反向投影之后,对图像数据进行迭代滤波以减少图像噪声(图1B)。Veo是首个临床全迭代IR算法,是当时最先进的算法之一 [39]。在全迭代中,原始数据被反向投影到横断面图像空间。随后,图像空间数据被正向投影以计算人工原始数据。正向投影步骤是IR算法的核心模块,因为它能够对数据采集过程进行物理上正确的调制(包括系统几何结构和噪声模型)。将人工原始数据与真实原始数据进行比较,据此更新横断面图像。同时,通过正则化步骤去除图像噪声(图1,右列)。反向和正向投影的过程重复进行,直到真实原始数据与人工原始数据之间的差异最小化。可以想象,全迭代IR的计算量比混合IR更大,导致全迭代IR的重建时间更长。由于重建时间过长,厂商决定开发一种不同的先进算法,称为ASIR-V(GE Healthcare),该算法于2014年获得FDA许可。与此同时,其他厂商也推出了其他混合和基于模型的IR算法,包括AIDR3D(三维自适应迭代剂量降低,Canon Healthcare)、ADMIRE(先进模型迭代重建,Siemens Healthineers)和IMR(迭代模型重建,Philips Healthcare)(表1)。最近,2016年,基于模型的IR算法FIRST(正向投影模型迭代重建解决方案,Canon Healthcare)获得了FDA许可。IR引入临床CT成像导致了大量评估这些方法可能性的研究(图2)。总体而言,这些研究表明,与FBP相比,IR改善了图像质量和诊断价值。IR可将辐射剂量降低23%至76%,而不影响图像质量 [40]。一些研究比较了多家厂商的不同方法,总体而言,这些研究发现,与混合IR和FBP相比,基于模型的IR可进一步降低辐射剂量 [39, 41](图3)。多项研究评估了IR对特定身体部位图像质量的影响。相对容易实现的是高对比度身体区域的CT检查,如肺部。由于X射线穿过肺部空气时衰减低,以及空气与肺组织之间的高天然对比度,胸部CT检查的辐射剂量本来就已经相对较低。在一项纳入24项研究的系统综述中,Den Harder等人 [42] 发现,使用FBP重建的胸部CT扫描平均辐射剂量为2.6(1.5–21.8)mSv,通过应用IR可降低至1.4(0.7–7.8)mSv。同样,另一个高对比度身体区域——心脏CT血管造影——的辐射剂量也可大幅降低。使用FBP时,十项冠状动脉CT血管造影研究的平均辐射剂量为4.2(3.5–5.0)mSv,使用IR后可降低至2.2(1.3–3.1)mSv,同时保持客观和主观图像质量 [43]。然而,降低低对比度身体区域(如腹部)的CT辐射剂量则更为困难 [44]。在较低辐射剂量下,IR并不总能改善低对比度病灶的可检测性 [45]。然而,大多数研究发现,IR确实可以在不影响图像质量的情况下降低腹部CT检查的辐射剂量 [46, 47]。
当前和未来的发展
虽然临床IR相关出版物的数量和引入新型临床算法的速度已经放缓,但降低辐射暴露的挑战仍然是一个高度关注的话题。迄今为止,大多数剂量降低策略仍局限于降低管电流或管电压,同时IR算法确保可接受的诊断图像质量。一种从根本上不同的降低辐射暴露的方法是采集更少的投影图像,例如仅采集每第二、第四或更多的投影。这种受压缩感知[48, 49]启发的策略被广泛称为稀疏采样CT。该方法允许采集减少数量的投影,同时每个单独投影图像的辐射暴露仍然较高。稀疏采样采集的明显优势是每个单独投影的质量得到改善(例如,提高信噪比),同时规避了电子读出噪声的影响。与当前技术实现的剂量水平相比,这些优势允许额外降低两倍或更多的剂量。然而,要从这些高度欠采样的数据中重建横断面图像,完全IR算法是必不可少的。在过去十年中,多位研究者已经提出了IR解决方案[50–55],这些方案有可能在未来进入临床应用。转化为临床常规高度取决于具备稀疏采样能力的硬件(例如新型X射线管)何时可用。然而,临床潜力的初步评估已经发表[56]。一个例子是从超低剂量稀疏采样采集与完全IR算法相结合中定量测定骨矿物质密度(BMD)的可能性[57]。
近年来,将先进的先验知识整合到迭代重建(IR)算法中一直是一个并行发展的方向。与传统滤波反投影(FBP)相比,IR允许将先验知识整合到重建过程中。一种思路是利用既往检查作为图像形成过程的一部分。例如,在肿瘤随访期间,许多患者会对同一解剖区域进行多次连续检查。由于这些扫描之间存在共享的解剖信息,可以利用这一事实在IR算法中显著提高诊断图像质量,同时降低辐射暴露[58–61]。先验知识的另一个不同示例是将有关骨科植入物的信息整合到重建过程中。金属伪影可引入大量噪声和条纹,由具有高原子序数(z值)材料的植入物引起。然而,如果植入物的形状和材料组成是事先已知的(例如,来自计算机辅助设计(CAD)模型或光谱分析),已有研究表明,将这些信息整合到图像形成中可消除伪影并提高诊断图像质量[62, 63]。
另一种已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光谱测量各种材料的材料依赖性和能量依赖性X射线衰减,来量化物体的组成(图4)[64–66]。与传统CT相比,该技术具有改善对比度和减少伪影的潜力。尽管这些进展正逐步在临床上可用,但与辐射暴露相关的问题仍然存在,尤其是对于这种CT模式。当以低辐射暴露采集数据时,材料分解步骤可显著加剧图像噪声。此外,直接实施基于模型的重建或全迭代重建需要进行若干修改,以考虑材料分解数据之间的统计依赖性。这种依赖性包括反相关噪声,其在材料图像的整体图像质量中起重要作用。IR算法允许对反相关噪声进行建模,从而显著改善诊断图像质量[67–69]。在过去几年中,这类专门针对DECT的IR已引入临床常规。当考虑虚拟单能图像(VMI)中的对比噪声比时,可以观察到这些结果。理论上,在低声VMI(keV)设置下应观察到噪声的强烈增加,而在高VMI下应观察到噪声的中度增加[66, 70]。在配备最新IR的DECT扫描仪中,可以观察到低声或高VMI设置下噪声几乎不增加[71, 72]。目前有多种DECT采集方法可用,包括具有不同电压的两个X射线管、一个X射线管在不同电压之间切换、一个X射线管具有部分过滤光束,以及基于探测器的光谱分离。针对这些DECT方案中的每一种,都需要考虑CT设计差异的专用IR算法。DECT特异性IR的进一步改进值得期待,例如整合学习算法,如字典[73–75]。
光子计数CT(PCCT)是一种即将应用于临床的新型能谱CT技术,正日益受到临床关注。这项独特技术能够对单个X射线光子进行计数并排除噪声,而非仅仅对每个像素中的电信号进行积分。此外,这些探测器可执行“彩色”X射线检测;它们能够区分单个光子的能量,并将其分配到若干个预先设定但可选的能量箱中,从而对透射X射线束进行能谱分析[76–79]。首批临床评估显示,其在定量成像、物质特异性(K边缘)成像、高分辨率成像方面表现良好,并结合辐射剂量的显著降低实现了新水平的诊断图像质量[80–86]。尽管初步结果展示了该技术的潜在优势,但 hardware 和软件方面的挑战仍然存在。迭代重建(IR)在克服这些挑战中发挥着核心作用。然而,由于与双能CT(DECT)中统计依赖性相似的原因,常规CT中使用的IR算法对PCCT并非最优。例如,PCCT数据比常规CT数据更为复杂,因为存在额外的多能量信息,并且根据探测器配置及硬件和软件设置,可采用额外的探测器元件来实现高空间分辨率图像。图像采集中的这些变化以及PCCT数据噪声模型的差异需要整合到前向投影仪的模型中,以充分发挥IR算法的能力。PCCT中的一个重建挑战是物质分解和图像重建步骤是分别进行的。这种分离意味着信息损失,而第二步无法对此进行补偿。为使IR适应这种更高层次的复杂性,可将图像重建和物质分解联合执行[87]。这可以通过一个前向模型来实现,该模型直接将(预期的)能谱投影测量与物质选择性图像联系起来[88–92]。初步结果展示了克服PCCT相关挑战的可能性,但当前的IR算法计算强度仍然过高,因此重建时间对于临床使用而言过长。必须进一步开发具有临床可行重建时间的IR解决方案。
除能谱CT外,目前还在研究其他基础的CT进展,即相位对比CT和暗场CT。当前CT成像中的图像对比度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CT和暗场CT基于电磁波模型,因此图像对比度代表相位偏移或小角度散射等波动光学相互作用。这些新型成像方法利用X射线的这些波动光学特性,例如将光栅干涉仪应用于X射线成像[93–98]。与传统CT相比,可获得额外的补充信息。相位对比CT提供显著更高的软组织对比度[99–101],暗场CT提供低于成像系统空间分辨率的结构信息[102–104]。在考虑转化时,需要维持临床标准,例如关于辐射剂量和采集时间的标准。为确保这些临床标准,一条路径是使用定制的迭代重建(IR)算法重建原始数据。初步研究已表明IR算法在提升相位对比CT及暗场CT图像质量方面具有很大潜力[105–108]。一个挑战是连续旋转的CT似乎不可行;然而,全迭代重建算法的最新进展使连续旋转机架成为可能[16, 109, 110]。这是朝着相位对比CT和暗场CT临床转化迈出的重要一步。
另一项新兴技术是人工智能(AI)。除了图像分类、目标检测和玩游戏[111, 112]之外,AI因其改善CT图像重建的潜力而引起了广泛关注[17]。AI,更具体地说是机器学习,是一组能够从原始输入(如单个像素的强度)生成到特定输出(如疾病的分类)的映射的方法[113]。在机器学习中,输入基于手工设计的特征,而无监督深度学习能够直接从数据中学习这些特征。多个研究团队正在致力于将AI应用于改善CT图像的重建。一种应用是基于图像空间的重建,其中卷积神经网络使用低剂量CT图像进行训练以重建常规剂量CT图像[17, 114, 115]。另一种方法是优化迭代重建(IR)算法[116]。通常,IR算法基于人工设计的先验函数,能够在保留结构的同时生成低噪声图像[117]。深度学习方法允许实现更复杂的函数,有望实现更低剂量的CT[117–120]和稀疏采样CT[121]。这些AI技术有潜力在降低CT辐射剂量的同时加快重建速度。此外,深度学习可用于在不降低辐射剂量的情况下优化图像质量,例如通过更先进的双能CT(DECT)单色图像重建[122]和金属伪影减少[123, 124]。这些方法尚未准备好用于临床实施;然而,预计AI在不久的将来将在CT图像重建和恢复中发挥重要作用。我们预期AI将通过增强当前的重建方法来融入当前临床CT成像工作流程,例如通过显著加速重建过程,因为应用训练好的网络可以即时完成。
总之,IR是一种强大的技术,已经进入临床实践,并且在不久的将来可以预期IR会带来更令人兴奋的进展。
引用
- Willemink MJ, Noël PB. The evolution of image reconstruction for CT-from filtered back projection to artificial intelligence. Eur Radiol. 2018. PMID: 30377791. doi:10.1007/s00330-018-5810-7
- 全文:PMC6443602(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC6443602/
供执业医师工作参考,不替代临床判断;数值与分级以指南原文为准。