作者：李云成，邓炜，李小虎，安徽医科大学第一附属医院放射科

腹部CT在医学诊断和治疗中具有重要作用，但其扫描范围广、多期扫描和重复扫描会增加辐射暴露。为了遵循辐射防护与安全最优化（as low as reasonably achievable，ALARA）原则，研究者集中于降低辐射剂量并保持图像质量，其中改进图像重建方法是主要解决方案。迭代重建（iterative reconstruction，IR）算法由Gordon等在1970年提出，但由于当时计算能力的限制而被滤波反投影（filtered back projection，FBP）算法取代。

随着计算能力提高，IR算法引入临床，减少了噪声和伪影，在降低辐射剂量的同时保证诊断图像质量。然而，随着辐射剂量进一步减低和迭代次数增加，IR算法出现图像纹理表现为油画感或过度平滑及重建时间过长的问题。深度学习重建（deep learning reconstruction，DLR）是最新开发的图像重建技术， 将卷积神经网络（convolutional neural networks，CNN）纳入算法中。

DLR算法在降低辐射剂量、减少噪声和伪影的同时，能保留图像纹理、缩短重建时间，具有替代传统算法的潜力。本文就DLR算法的基本原理及其在腹部CT临床应用新进展、局限性及未来研究方向进行综述。

1. CT 重建算法的演变

1.1 FBP

FBP是30多年来的标准重建算法。在FBP中，投影数据通过高通滤波器卷积补偿CT采集过程中的模糊，然后反向投影到图像数据。然而，FBP基于点状X射线源、铅笔束X射线的几何形状、探测器元件中心点和无噪声投影数据的多种理想假设。因此，FBP会忽略泊松光子数统计变化引起的图像噪声，导致辐射剂量减少时图像噪声和伪影增加。为获取高质量图像，患者需接受更高的辐射剂量，不符合ALARA原则的理念。

1.2 混合迭代重建（hybrid iterative reconstruction，Hybrid-IR）

在Hybrid-IR中，投影数据和图像数据均被迭代滤波以减少伪影和噪声。Hybrid-IR与FBP的重建速度相当，因为迭代滤波不需要额外的计算时间。然而，Hybrid-IR的建模相对简单，减少图像噪声和伪影的性能相对有限。

1.3 基于模型的迭代重建（model-based iterativereconstruction，MBIR）

MBIR通过重复的向后和向前投影对重建图像数据进行迭代改进。前向投影是MBIR算法的核心，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。相较于仅实现系统统计建模的Hybrid-IR算法，MBIR的模型还考虑了系统光学模型，在减少图像噪声和伪影及提高空间分辨率方面更优秀。然而，复杂的工作流程和缓慢的重建速度限制了其应用。由于模型的复杂性有限，产生了不同于传统算法的图像纹理，会对医师的主观接受度和诊断信心产生负面影响。

当使用高强度IR大幅度减少辐射剂量时，图像会出现塑料外观或斑点状纹理，导致低对比度分辨率下降，影响病灶显示能力。此外，鉴于IR的非线性特性，图像噪声、信噪比、对比度噪声比、调制传递函数、噪声功率谱等传统客观图像质量指标不能充分评估其图像质量。

1.4 深度学习概述

深度学习是人工智能中机器学习领域的重要分支。基于计算能力提高及深度学习算法的不断发展，深度学习在图像处理、自然语言处理、语音识别等领域广泛应用。与传统机器学习算法需要手工进行特征提取不同，深度学习通过学习图像特征对数据进行分类和识别。CNN是深度学习的核心之一，通过多层次的神经元结构和加权连接自动提取图像特征，并通过反向传播算法进行迭代学习和优化。深度学习在放射学领域也得到广泛关注，在病变检测、鉴别诊断、疾病分期等方面具有显著优势。在图像重建方面，深度学习能够处理复杂模型和大量参数，有望从根本上解决IR的建模限制。

2. DLR 的基本原理及常用的商业化算法

2.1 基本原理

DLR根据是否使用FBP或IR分为直接DLR和间接DLR。直接DLR从正弦图重建高质量图像，无需FBP或IR，其优点是简单、高效，能够更好地保留图像细节和边缘信息，提高图像质量；但直接DLR对噪声和伪影敏感，可能影响重建的准确性。直接DLR由于直接对原始数据图像重建，需要大量的储存空间和处理能力，以便在合理时间完成重建。

间接DLR分为间接混合方法、间接基于投影域方法和间接基于图像域方法。间接混合方法同时利用投影域和图像域中的优化，并结合FBP或IR步骤创建高质量图像。间接基于投影域方法在用FBP或IR前优化图像域，而间接基于图像域方法先用FBP或IR重建图像，然后在图像域中进行优化。间接DLR的优点是能够综合利用投影域和图像域中的优化步骤，提高图像的质量和准确性，减少重建过程中的伪影和噪声。但间接DLR需要进行图像重建步骤，增加过程复杂度，并且可能额外引入FBP或IR相关的伪影。

DLR模型建立首先需要设置和调整CNN的内部参数，包括网络层数、每层神经元数量和卷积核大小等。在训练过程中，将低剂量低质量图像数据输入CNN中，通过前向传播创建临时输出图像。然后将临时输出图像与高剂量高质量的目标图像进行噪声、纹理、低对比度分辨率等参数比较，通过嵌入式反向传播对CNN的数百万个参数进行自动优化微调。

上述过程在大量的训练数据上迭代进行，直到输出图像能够与目标图像精确匹配。在验证和测试过程中，会重建大量之前训练中未使用的数据，以确保生成图像的稳定性。经过充分的监督式训练后，基于CNN的DLR引擎参数被固定。在部署到特定CT系统的重建硬件上运行时，不会随时更改，实现临床应用中的可预测性。

2.2 常用的商业化算法

目前，特定供应商提供了多种DLR算法，包括TrueFidelity（GE医疗）和AdvancedIntelligent Clear-IQ Engine（AiCE，Canon医疗）。TrueFidelity使用高辐射剂量FBP图像训练CNN，得到的图像保留了放射科医师广泛接受的自然图像纹理。而AiCE使用高质量MBIR图像作为目标，可以获得与MBIR相当的图像，且重建速度是其3~5倍。

TrueFidelity和AiCE均提供不同强度预设，以满足不同临床需求，两者最显著的区别在于TrueFidelity直接从投影数据中重建DLR图像，而AiCE则应用于Hybrid-IR图像。

3. 临床应用新进展

3.1 常规CT成像

IR技术可以大幅度降低高对比度诊断任务的辐射剂量，如检测尿路结石。然而，对于低对比度病变，其辐射剂量减少能力仍有限。相比之下，DLR具有更大的辐射剂量降低能力，同时保持图像质量。Kang等研究发现，在低辐射、低对比剂（双低）条件下，DLR可以提高主动脉和门静脉的对比度噪声比，且肝细胞癌的检出率并无显著差异。

Jensen等评估结直肠癌肝脏转移瘤发现，低剂量（12.2 mGy）的DLR可降低65%的辐射剂量，同时提高图像质量，并保留对直径>0.5 cm病灶的检测，但对小病灶（直径≤0.5 cm）的检出率（80.1%比67.1%）不如标准剂量（34.9 mGy）FBP图像。在低管电压协议下，相比Hybrid-IR，DLR具有更好的图像噪声、整体图像质量和胰腺导管腺癌的病灶显示能力。

DLR在双低条件下能更好地平衡图像噪声、图像纹理和空间分辨率，更好地评估微小血管，为手术方式提供重要影像学参考。陈楚韩等发现与自适应统计迭代重建（adaptive statistical iterative reconstruction V，ASiR-V）50%相比，DLR结合低管电压应用于腹部增强CT提升了左结肠动脉升支的空间分辨力和对比度及脾区边缘动脉显示率。

另外，与ASiR-V 50%相比，DLR算法能显著降低门静脉图像噪声，提高空间分辨率，且可有效提高门静脉小分支的显示率。超高分辨率CT使用更小的检测器元素，可获得比传统CT更高空间分辨率的图像，但也会产生更多的图像噪声，使用最佳的降噪重建技术至关重要。在空腔脏器中，采用DLR的超高分辨率层厚为0.25 mm图像可改善胃壁的图像噪声和整体图像质量，有助于更好地评估胃壁3层结构的解剖细节。

与ASiR-V 60%相比，DLR可以改善腹部图像质量，提高胃癌病灶的显示能力和诊断准确度。此外，DLR还可提高增强CT图像质量，有助于更好地观察胆道系统。对于泌尿系统，DLR能够有效降低图像噪声，显著提高低剂量CT尿路成像图像质量，提升医师诊断信心。Zhang等发现DLR算法在超低剂量CT中提升了图像质量，对148枚尿路结石的检出率（96.6%比95.9%）、大小估计和CT值测量能力与低剂量CT结合Hybrid IR相当，但5枚直径<3 mm的肾结石未观察到。

总之，与其他重建技术相比，DLR更有利于在低辐射剂量扫描中获得高质量图像，更好地显示腹部低对比度病灶、小病灶和微小血管等。然而，还需要进一步研究确定不同临床场景下DLR的合适使用条件，如不遗漏病灶的降噪等级和辐射剂量降低阈值。

3.2 CT能量成像

能量CT可提供40~200 keV的虚拟单能量图像（virtual monoenergetic images，VMIs）。由于含碘组织的对比度随着能量水平降低而明显升高，因此低能量段VMIs有助于小病灶和低对比度病灶检出，提高血管的强化程度。然而，低能量段VMIs伴随的噪声增加会限制其临床常规使用。IR技术可以在不改变能量CT图像质量的情况下，将辐射剂量降低至与常规CT相当，甚至低于常规CT检查。已有研究表明，DLR可以进一步发挥作用。

Fukutomi等在体模和临床研究中使用FBP、ASiR-V和DLR重建70 keV VMIs和碘图，发现DLR较其他算法能够降低图像噪声和碘浓度的标准差和变异系数。Sato等研究发现，与ASiR-V 50%相比，DLR可以改善40 keV、50 keV、70 keV VMIs和碘图中的图像噪声、对比度噪声比、血管显示能力、整体图像质量和局灶性病变（肝细胞癌、肝脏转移瘤和胰腺导管腺癌等）的显示能力，表明DLR可提高VMIs和碘图对腹部病变的诊断性能。

吕培杰等研究显示，与ASiRV60%相比，DLR可以显著减少低能量段（<70 keV）图像噪声，提高总体图像质量，增强对肝脏低对比度小病灶（肝囊肿和肝脏转移瘤）的检测能力及诊断信心，其中40 keV为最佳能级水平。DLR可以降低IR确定的VMIs最佳单能量水平，通过减少低能量段VMIs的图像噪声进一步降低辐射剂量和对比剂剂量，增加小病灶、低对比度病灶和血管的显示能力。目前国内关于DLR在能量CT领域的研究相对较少，需要开展更多的相关研究，促进能量CT临床应用的发展。

3.3 儿科

儿童对CT检查中辐射暴露较为敏感，严格遵循ALARA原则至关重要。此外，由于儿童各系统仍在快速发育，不同组织间的对比差异与成人有所不同，因此DLR在儿童CT图像重建中的应用效果也需要另外的临床验证。Brady等针对体模和儿童腹部CT图像进行研究，重建了DLR、FBP、Hybrid-IR和MBIR 4种算法的图像。在体模研究中，DLR的目标检测能力和检测精度优于其他算法。在临床研究中，DLR在图像噪声、空间分辨率、目标显示能力和放射科医师的诊断信心方面表现最佳。此外，与Hybrid-IR相比，DLR的潜在辐射剂量减少能力可达52%。

相对于Hybrid-IR和MBIR，在低管电压协议的儿科CT应用中，DLR可以显著降低图像噪声，而不会降低噪声纹理和图像清晰度。即使在辐射剂量减少54%（1.9 mGy比4.1 mGy）的情况下，DLR在主观整体图像质量方面的改善明显优于Hybrid-IR。在儿科能量CT中，DLR结合60 keV VMIs可有效降低辐射剂量和对比剂摄入量，同时保持图像质量。使用低渗性碘对比剂，结合DLR产生图像的对比度噪声比、信噪比、整体图像质量和诊断质量与使用标准协议的常规CT对照组相似，这种组合可降低19.6%的辐射剂量和14.3%的碘对比剂摄入量。

上述研究表明，无论在常规CT还是能量CT，DLR在儿科图像重建中具有显著优势，可有效降低儿童的辐射剂量和对比剂剂量，同时保证图像质量和诊断信心。这些优势为DLR未来在儿科CT临床实践中的应用提供了广阔前景。

4. 前景与展望

DLR是一种具有极高临床应用价值与潜力的CT图像重建新技术。相较于IR，DLR克服了其固有局限性，能够在不影响图像纹理和空间分辨率的情况下减少噪声、提高重建速度，同时降低辐射剂量和改善图像质量，提高诊断效能。DLR仍存在一些问题。如非线性特性会引入不正确的解剖结构或病理特征，导致假阴性或假阳性结果，需要提升训练数据集的质量和数量。DLR的不稳定性可能会导致伪影或无法检测的图像扰动，或忽略受损图像中细微的结构变化。

目前DLR的研究人群及疾病类型偏少，需要对其在不同临床场景的应用开展更多研究。各厂商开发的DLR具有不同图像特征，且算法透明性不足，目前也仅配置在最高端的CT机。DLR应由临床优势驱动，未来需进一步临床验证以评估其可靠性及取代传统重建算法的能力。DLR对影像组学、基于人工智能的图像后处理软件的影响还需进一步探究，是潜在的研究方向。

此外，DLR还可扩展其优势，应用于能量CT的常规诊断图像、VMIs、虚拟平扫图像、物质分离图像优化等方面，甚至有望进一步运用到不断成熟的光子计数CT。总之，DLR技术开辟了图像重建算法的新纪元，现已逐步进入临床实践，未来将取得更多进展，为医学影像领域的发展做出更大贡献。

来源：李云成,邓炜,李小虎.深度学习重建算法的原理及其在腹部CT临床应用进展[J].中国医学影像学杂志,2025,33(01):102-106.