自动协议选取能谱联合自适应迭代计算法重建技术降低腹部增强及血管成像辐射剂量及对比剂剂量的可行性

目的探讨利用自动协议选取能谱(ASIS)扫描模式联合自适应迭代算法重建(ASiR)技术降低腹部增强及血管成像辐射剂量及对比剂剂量的可行性。方法将64例接受腹部增强患者随机分为两组:试验组32例,采用ASIS扫描模式,应用30%ASiR和50%ASiR重建算法;对照组32例,采用120kVp管电压,FBP重建。比较两组扫描方法辐射剂量及对比剂剂量;比较70keV+30%ASiR图像与对照组动脉期及门静脉期肝脏及胰腺噪声、竖脊肌噪声(SMN)、肝脏CNR、胰腺CNR;对55keV+50%ASiR图像与对照组动脉期腹主动脉及各主要分支血管CNR及门静脉期门静脉CNR以及血管图像主观评分进行统计学分析。结果试验组动脉期及门静脉期的CTDIvol、DLP较对照组下降23.68%、23.57%和25.59%、18.45%,对比剂注射总量试验组较对照组减少16.86%。70keV+30%ASiR动脉期及门静脉期肝脏、胰腺和竖脊肌的噪声均低于对照组(P均<0.05)。试验组55keV+50%ASiR动脉期腹主动脉、肠系膜上动脉、腹腔干的CNR均高于对照组(P均<0.05);静脉期门静脉的CNR和血管评分与对照组比较差异无统计学意义(P>0.05)。结论采用ASIS扫描模式联合ASiR技术,70keV+30%ASiR及55keV+50%ASiR图像显示腹部脏器及腹部血管图像质量均优于传统120kVp扫描模式的图像质量,且降低了辐射剂量及对比剂剂量。

螺旋CT薄层骨算法重建技术对前颅窝骨折的诊断价值

目的:探讨螺旋CT薄层骨算法重建技术对诊断前颅窝骨折的诊断价值。方法:回顾分析47例脑外伤临床高度怀疑前颅窝骨折患者行CT常规扫描及薄层骨算法重建,并对其诊断结果进行分析、比较。结果:在对前颅窝骨折的CT诊断中,薄层骨算法重建阳性显示率为100%,与常规CT扫描的74.47%相比,2种方法比较有显著性差异。结论:CT薄层骨算法重建明显优于常规扫描,它可以明确显示前颅窝骨质损伤情况,为临床诊断提供可靠而客观的影像学资料。

三种EIT算法重建图像评价的仿真研究

目的:针对不同的电阻抗断层成像(EIT)图像重建算法,建立客观有效的评价方法。方法:采用等位线反投影法、Landweber预迭代法和Tikhonov正则化算法,对不同深度位置的目标仿真成像。引入图像重建质量函数D和结构偏离度SSIM,评价3种算法。结果:成像目标由场域中心向边缘移动时,3种算法的图像重建质量函数D的数值随着目标的移动而减小,结构偏离度SSIM的值逐渐增大。结论:图像重建质量和结构偏离度函数是适合EIT图像特征且客观、有效的EIT图像效果评价工具,能很好地反映出图像信息和不同成像算法的差异。

加快反投影算法重建PET图像的研究

对反投影的计算方法进行了改进,设计了一种能够提高反投影速度的方法。使用这种方法,对模型数据进行了重建,结果表明,这种方法对图像质量的影响很小。由于实际PET的投影数据中的噪声相对较大,并且,在滤波反投影算法中的重建滤波器对重建图像的高频噪声有某种放大作用,针对这个问题,利用临床PET数据,从投影数据预处理、利用窗函数控制噪声两个方面进行了研究。

CT扫描薄层骨算法重建对颅底骨折的诊断价值

目的对比CT常规扫描与薄层骨算法重建扫描在颅底骨折诊断中的作用。方法对80例外伤性颅底骨折进行回顾性对比分析。所有检查均采用SOMATOMAR或GEHispeedNX/iProCT扫描机,均先行头颅CT常规扫描,层厚层距均为10mm,再行薄层颅底扫描骨算法重建,层厚层距均为1mm～3mm。结果80例颅脑外伤均有颅底骨折的临床体征,但头颅CT常规扫描仅有23例显示骨折线,而薄层骨算法重建扫描颅底80例均见明确骨折线,其中19例见多发骨折。并且对中颅窝、前颅窝极不容易直接显示骨折的部分区域也可清楚显示。同时可更清楚地显示出筛窦、蝶窦、及乳突气房内积液情况。结论薄层颅底扫描骨算法重建明显优于头颅CT常规扫描,它可以明确显示颅底骨质损伤情况,为临床诊断提供可靠而客观的影像学资料。

螺旋CT薄层骨算法重建技术在隐匿性肋骨骨折的诊断价值

目的:探讨MSCT薄层骨算法重建技术对隐匿性肋骨骨折(ORF)的诊断价值。方法:回顾性分析56例胸部外伤经随访证实为ORF的患者资料,对其首次扫描数据行标准算法和薄层骨算法,并行多平面重组及容积再现成像,对其诊断结果进行分析、比较。结果:在隐匿性肋骨骨折的MSCT诊断中,薄层骨算法重建阳性显示率为100%,与标准算法重建的85.7%相比,两种方法比较有显著性差异。结论:MSCT薄层骨算法重建明显优于标准算法重建,它可以明显显示隐匿性肋骨骨折,为临床诊断提供可靠而客观的影像学资料。

不同迭代重建算法在眼眶CT中的适用性研究

目的:探讨不同迭代重建算法在眼眶CT中的应用价值。方法:回顾性收集2024年1月至2024年3月首都医科大学附属北京同仁医院行眼眶CT检查的31例患者,分别使用混合迭代重建算法(iDose4)和全模型迭代重建算法(IMR)技术对图像进行标准算法和骨算法重建,对比分析不同重建算法图像的平均CT值、噪声(SD)、信噪比(SNR)、对比度噪声比(CNR)以及图像质量主观评分;采用随机区组方差分析比较不同算法重建图像间的客观指标差异;采用多个相关样本的秩和检验比较不同算法重建图像的主观评分差异。结果:不同标准算法重建图像的CT值、噪声、SNR、CNR差异均有统计学意义,与iDose4相比,IMR标准算法重建图像噪声降幅达25%~67%,SNR增加1.3~1.5倍,CNR增加2~3倍;与iDose4相比,IMR骨算法重建图像噪声降幅达70%~96%,SNR增加5~15倍,CNR增加4~31倍;不同骨算法及标准算法的图像质量评分差异均有统计学意义,标准算法IMR1-Brain Routine组评分最高5(4,5),骨算法iDose43 YD组评分最高5(5,5);两名观察者评分的一致性较强,加权Kappa系数0.644~1。结论:眼眶CT中推荐使用混合迭代重建技术iDose4 Level 3重建骨算法图像,使用全模型迭代重建技术IMR Level1重建标准算法图像。

基于不同管电压的人工智能重建算法对胸部体模CT扫描图像质量和辐射剂量的影响研究

目的:基于成年男性仿真胸部体模(PH-N1)CT扫描,探究不同管电压结合人工智能(AI)重建(CI)算法对胸部体模CT扫描图像质量和辐射剂量的影响。方法:采用512层超高端CT分为4种管电压对体模进行扫描,分别为70 kV、80 kV、100 kV和120 kV,对不同管电压的CT扫描图像采用10%、30%、50%、70%和90%CI算法重建1 mm薄层图像,比较4组扫描的容积剂量指数(CTDIvol)和剂量-长度乘积(DLP)。测量图像主动脉、腹壁脂肪及竖棘肌的CT值、标准偏差(SD)值,由两名5年以上工作经验的高年资诊断医师独立双盲的对图像质量进行5分制评估,并行Kappa一致性检验。采用单因素方差分析比较图像目标组织的CT值、SD值差异。采用Friedman秩和检验比较组间主观图像质量的差异。结果:4种不同管电压的CTDIvol和DLP比较,差异有统计学意义(F=1855.617、3996.118,P<0.05)。在70 kV管电压下,10%、30%、50%、70%和90%CI算法重建的主动脉、腹壁脂肪及竖棘肌的CT值比较,差异均无统计学意义(P>0.05),而SD值差异均有统计学意义(F=32.267、53.327、14.873,P<0.05)。在90%权重的CI算法重建4种不同管电压下,主动脉、腹壁脂肪及竖棘肌的CT值随着管电压的降低,CT值逐渐降低,差异有统计学意义(F=139.899、2563.93、219.231,P<0.05)。两名诊断医师对各组图像的主观评分一致性较好(Kappa=0.712~0.869)。结论:CI算法在70 kV管电压下90%权重的CI算法重建图像与80 kV、90 kV、120 kV图像相比,可以明显降低辐射剂量,同时图像具有良好信噪比。

基于迭代重建算法的iDream重建技术对CT定量分析肺功能的影响研究

目的:探究不同iDream重建等级(1、3、5级)对CT定量分析肺功能参数的影响,为临床应用iDream重建技术定量测量肺气肿指标提供参考。方法:回顾性选取2021年12月至2022年1月在某院行胸部CT平扫的50例患者,分别使用滤波反投影(fittered back projection,FBP)、iDream 1级、iDream 3级、iDream 5级4种方法重建图像。测量4组图像的主气管CT值和标准差(standard deviation,SD)值并计算图像信噪比(signal to noise ratio,SNR),使用肺功能定量分析软件测量4组图像的双肺总容积(total lung volume,TLV)、肺气肿容积(emphysema volume,EV)、肺气肿指数(emphysema index,EI)、15%肺衰减值(15th percentile of lung attenuation,Perc 15)、15%肺质量(pulmonary density 15%,PD15%)。采用SPSS 22.0统计学软件进行数据对比。结果:4组间图像主气管CT值、TLV比较,差异无统计学意义(P>0.05),4组间SD、SNR、EV、EI、PD15%、Perc 15比较,差异有统计学意义(P<0.05)。随着iDream重建等级的增高,主气管SD值、EV、EI逐渐降低,iDream 3级组与iDream 5级组EV、EI比较,差异无统计学意义(P>0.05);随着iDream重建等级的增高,PD15%、Perc 15逐渐升高,iDream 3级组与iDream5级组PD15%、Perc 15比较,差异无统计学意义(P>0.05)。结论:随着iDream重建等级的增高可降低图像噪声,影响CT定量分析肺功能结果,iDream 3级和iDream 5级可保证EV、EI、PD15%、Perc 15相对稳定,不受迭代重建算法强度影响。

70kVp联合深度学习图像重建算法对胸主动脉血管内修复术后双低CTA图像质量的影响

目的探讨70 kVp联合深度学习图像重建(DLIR)算法在低辐射剂量低对比剂用量的情况下对胸主动脉血管内修复术(TEVAR)后主动脉CT血管成像(CTA)图像质量的影响。方法前瞻性纳入65例TEVAR术后需接受主动脉CTA扫描的患者,随机分为两组。常规剂量组(A组)接受100 kVp管电压和60 mL对比剂扫描,低剂量组(B组)接受“双低”方案:管电压70 kVp,对比剂用量为0.5 mL·kg^(-1)。A组图像采用50%多模型迭代重建算法(ASIR-V)重建,B组图像分别采用滤波反投影(FBP)算法(B1亚组)、50%ASIR-V(B2亚组)、90%ASIR-V(B3亚组)及DLIR-H算法(B4亚组)重建。测量并比较各组主动脉CT值、图像噪声、对比噪声比(CNR)及品质因数(FOM)。采用5分制对图像噪声、血管锐利度和整体图像质量进行评估。结果B4亚组噪声最低,较A组降低约23.49%(P<0.001)。A组、B4亚组主动脉各感兴趣区(ROI)CT值、CNR值及图像主观评分差异无统计学意义(P>0.05);B4亚组FOM值大于A组(P<0.001)。与A组比较,B组辐射剂量降低约52.38%(P<0.001),对比剂用量和注射流率分别降低约39%和33.6%(P<0.001)。结论采用70 kVp结合DLIR算法在TEVAR术后主动脉CTA扫描中可获得与常规剂量相当的图像质量,且辐射剂量和对比剂用量大幅度降低。

1024×1024重建矩阵结合迭代重建算法在胃部CT血管成像中的应用

目的 探究1 024×1 024重建矩阵结合迭代重建(Karl)算法在胃部血管及肿瘤供血动脉CT血管成像中的应用价值。资料与方法 前瞻性收集大连医科大学附属第一医院2022年3—6月行胃部CT血管成像的胃部肿瘤患者30例,对CT扫描图像原始数据进行分组重建。A组采用常规512×512矩阵结合Karl 5级重建;B组采用1 024×1 024大重建矩阵结合不同等级Karl算法重建,分为B1(Karl 5)、B2(Karl 7)及B3(Karl 9)3个亚组。在轴位图像上测量胃左动脉起始部的腹主动脉、腹腔干、脾动脉、肝动脉及同层面腹壁皮下脂肪组织的CT值和SD值,计算信噪比(SNR)、对比噪声比(CNR)。由2名观察者采用5分法评估各组图像质量。结果 2名观察者主观评价一致性较好(Kappa=0.782~0.789,P<0.05),B1~B3组图像主观评分均优于A组,B2组得分最高(二维评分:χ^(2)=27.309、24.250;三维评分:χ^(2)=21.964、21.294;P均<0.05),30例患者中25例见胃动脉系统参与肿瘤供血,B2组各血管的清晰显示率均优于A组;A与B1、B2组各血管CT值差异无统计学意义(t=-1.918~2.720,P>0.05),B2组较A组血管SD值、SNR、CNR和背景噪声值,除腹主动脉SD、肝动脉CNR外差异均无统计学意义(t=-5.909~5.768,P>0.05);B1~3组图像随着Karl算法等级提高,SD值逐渐降低(F=2.881~27.109,P<0.05),SNR、CNR逐渐升高(F=3.612~12.149,P<0.05)。结论 1 024×1 024重建矩阵结合Karl 7级算法可以改善图像质量,增强胃部微细血管及肿瘤供血动脉分支的显示效果,在临床上有很好的应用价值。

基于头颅模体的不同重建算法及低剂量扫描对内耳CT成像质量的影响研究

目的:研究不同重建算法下内耳CT成像质量的影响因素,探索不同重建算法降低内耳CT扫描剂量的可行性和应用价值。方法:基于头颅模体分别采用100、80、70、60、50和40mA固定管电流,行横断位多层螺旋容积高分辨率CT(HRCT),每种管电流进行25例次扫描试验,采用不同重建参数进行内耳CT常用的容积再现技术(VRT)、多平面重建(MPR)和最大密度投影(MIP)3种重建技术重建图像,分析对比不同管电流及重建参数对VRT、MPR、MIP图像软组织、骨质、伪影质量评分的影响。由4名从事影像诊断工作5年以上的影像科医师采用盲法对图像质量按0~3分进行图像质量评分。结果:相同管电流下,VRT、MPR和MIP图像的软组织、骨质、伪影质量评分均随重建间隔的增加而逐渐降低,差异均有统计学意义(F=61.853、49.296、71.280,P<0.05);相同重建间隔参数下VRT、MPR和MIP图像的软组织、骨质、伪影质量评分均随扫描时管电流的降低而逐渐降低,差异均有统计学意义(F=16.346、23.632、21.746,P<0.05)。VRT中图像软组织、骨质和伪影质量评分均与管电流呈正相关(r=0.892、0.907、0.871,P<0.05),与重建间隔呈负相关(r=-0.841、-0.864、-0.866,P<0.05)。结论:内耳CT扫描中,通过减小重建间隔,能有效提升薄层扫描、低剂量扫描的成像质量,进一步降低内耳CT的辐射剂量,在临床上具有应用可行性和临床价值。

深度学习重建算法在低剂量CT心肌灌注中的应用价值研究

目的 探讨深度学习重建算法(DLIR)在低剂量CT心肌灌注(CTP)中的应用价值。方法 选择2023年6—12月在本院行低剂量心肌CTP检查的100例患者为研究对象,采用随机数表法分为A组、B组和C组共三组,A组34例、B组33例、C组33例。分别对三组患者扫描原始数据进行低剂量DLIR算法、FBP算法、自适应统计迭代重建算法(ASiR-V)重建,评估DLIR算法对图像提升程度。分析比较三组患者低剂量心肌灌注检查图像质量、心肌血流量(MBF)值和辐射剂量的差异。结果 A组患者的SNR、CNR高于B组和C组,A组患者的室间隔噪声值低于B组和C组,差异有统计学意义(P<0.05);A组患者的主观图像质量评价评分高于B组和C组,差异有统计学意义(P<0.05);三组患者的心肌血流量比较,差异无统计学意义(P>0.05);A组患者的辐射剂量显著低于B组和C组,差异有统计学意义(P<0.05)。结论 在低剂量动态CTP检查中,DLIR算法可以提高图像成像质量,且辐射剂量低,对MBF定量参数影响较小,可用于临床实践。

深度学习重建算法对肾上腺肿瘤的检出及鉴别效能的影响

目的:探讨不同等级深度学习图像重建(DLIR)算法对肾上腺肿瘤的检出、组学特征可重复性和组学模型鉴别肿瘤类型效能的影响。方法:回顾性收集41例肾上腺功能性腺瘤(FAA)和46例肾上腺转移瘤(AM)患者的临床和影像资料。CT增强扫描完成后,对静脉期的原始数据采用4种强度等级(DL1、DL2、DL3、DL4)的DLIR算法进行重建。首先采用主、客观指标比较4种等级间图像质量的差异;然后使用Research Portal V1.1科研平台对各组重建图像上肾上腺肿瘤进行分割并提取450个影像组学特征,包括原始图像特征90个和拉普拉斯(LoG)滤波后的高阶特征(高斯核:0.5、1.0、1.5、2.0)360个。采用一致性相关系数(CCC)评估采用不同图像重建等级测量的FAA和AM组学特征的可重复性。最后,在各组重建图像中采用逐步特征选择策略,筛选出最优特征集并构建鉴别FAA和AM的组学模型。利用五折交叉验证法验证4个组学模型的鉴别效能,利用分层交叉验证法测评4个模型的泛化能力。结果:DL2和DL3在肾显示上腺肿瘤的清晰度方面最优,得分为4(4,5),优于DL1相应得分4(3,5)和DL4相应得分4(3,4),且差异具有统计学意义(F=139.045,P<0.05)。随着DLIR降噪等级的提升,原始特征CCC值>0.85的个数逐渐减少,DL4中FAA和AM特征可重复的比例仅占39.3%(21/90)和50.9%(29/90)。组学特征经过LoG滤波(高斯核2.0)处理后,CCC值>0.85的个数增加,DL4中FAA和AM特征可重复的比例占91.1%(82/90)和93.3%(84/90)。4个组学模型在测试集中的曲线下面积(AUC)和符合率均>0.75,DeLong检验显示AUC的差异无统计学意义(Z=0.177~1.284,P=0.199~0.859)。但分层交叉验证显示,DL4重建图像的泛化能力最弱,AUC和符合率均<0.75。结论:高降噪等级的DLIR算法会降低对肾上腺肿瘤显示的清晰度以及组学模型的泛化性。虽然LoG滤波器(高斯核:2.0)有助于提升组学特征测量的可重复性,但仍建议在肾上腺影像诊断和组学模型训练时,使用中低降噪等级的DLIR图像。

图像重建算法对兆伏级成像系统图像质量及自动配准精度的影响研究

目的:对比研究TOMO Radixact螺旋断层放射治疗系统不同迭代重建(IR)算法对兆伏级CT(MVCT)成像系统图像质量的改善及对自动配准精度的影响,探索适合临床应用的重建算法。方法:使用MVCT成像系统分别扫描Tomo-Phantom HE型模体和Catphan604型模体,分析MVCT图像重建算法中的标准(STD)算法、迭代重建通用(IR-G)算法、迭代重建软组织(IR-ST)算法3种重建算法生成的3组图像,分别计算3组图像的噪声指数(NI)、图像均匀性指数(UI)、调制传递函数(MTF)、低对比度可见度(LCV)和对比度噪声比(CNR)。利用Lucy模体进行自动配准算法准确性测试,通过对左右方向(x轴)、头脚方向(y轴)、垂直方向(z轴)以及y轴的自由旋转(Roll)4个维度的配准数据进行其对自动配准精度的影响验证分析。结果:IR-G和IR-ST重建算法的NI分别为39.58±0.10和14.62±0.26,优于STD算法的39.58±0.10,UI分别为19.87±0.83和15.84±2.51,优于STD算法的24.51±1.81,LCV分别为2.50±0.03和1.74±0.11,优于STD算法的3.67±0.04,且均有明显提升,但MTF50%的高对比度分辨率分别为0.23和0.21lp/mm,低于STD的0.32lp/mm,整体图像质量IR重建算法优于STD重建算法。自动配准算法准确性测试中,y轴方向上IR-G和IR-ST算法的配准精度分别为(0.360±0.142)mm和(0.245±0.050)mm,均高于STD算法的(0.145±0.136)mm,差异有统计学意义(Z=6.0、15.0,P<0.05),其余方向的配准精度差异均无统计学意义(P>0.05)。结论:IR算法在噪声、均匀性及低对比度分辨率上均有优势,但高对比度分辨率有所降低,高对比度分辨率的降低并未导致自动配准精度降低。

深度学习重建算法在头颈部CTA成像中的应用价值

目的:探讨深度学习重建算法(DLIR)对头颈部CTA图像质量的影响。方法:回顾性收集50例头颈部CTA图像,分别进行DLIR-H、DLIR-M、DLIR-L和ASiR-V50%重建。测量并计算四组图像血管的背景噪声(SD)、血管锐利度(ERS)以及各重要层面血管的信噪比(SNR)和对比噪声比(CNR),并对四组图像进行主观质量评分。结果:随着DLIR强度增加,血管SD值显著降低(P<0.05),四组图像的ERS无统计学差异(P>0.05)。除大脑中动脉M1段外,其他血管SNR均有统计学差异(P<0.05),表现为DLIR-H最高,DLIR-M次之。所有血管CNR均有统计学差异(P<0.05),由高到低依次为DLIR-H,DLIR-M,DLIR-L和ASiR-V50%。四组图像主观质量评分无统计学差异(P>0.05)。结论:与ASIR-V50%相比,DLIR-H可以显著提高头颈部CTA图像质量,为优化头颈部CTA扫描方案创造条件。

深度学习图像重建算法在低剂量扫描对肺结节显示及测量的影响

目的探讨肺结节胸部CT低剂量对深度学习图像重建(DLIR)图像质量及结节检测的影响。方法选取肺结节患者120例,在低剂量扫描条件下应用低剂量迭代重建算法(ASIR-V),评估低剂量下重建图像总体噪声(NI)、肺组织信噪比(SNR)、对比噪声比(CNR),实性、磨玻璃结节噪声、SNR、CNR及结节可见度、筛查准确性。结果DLIR-H总NI和肺组织CNR为(21.14±1.35)Db、(13.70±1.96),低于ASIR-V和DLIR-M,DLIR-M低于ASIR-V(均P<0.05)。肺组织SNR为(26.85±3.46),高于ASIR-V和DLIR-M,DLIR-M高于ASIR-V(均P<0.05)。实性结节、磨玻璃结节NI和CNR均低于ASIR-V和DLIR-M,DLIR-M低于ASIR-V(均P<0.05)。实性结节、磨玻璃结节SNR高于ASIR-V和DLIRM结果,DLIR-M高于ASIR-V(均P<0.05)。DLIR-H图像质量评分、实性结节、磨玻璃结节可见评分均高于ASIR-V和DLIR-M结果,DLIR-M结果高于ASIR-V(均P<0.05)。DLIR-H肺结节准确率86.67%,高于ASIR-V和DLIR-M(P<0.05)。结论胸部CT扫描肺结节应用低剂量DLIR算法能够有效降低噪声,保证图像质量前提下提高诊断率。

基于深度学习的电阻抗断层成像图像重建算法研究综述

介绍了电阻抗断层成像(electrical impedance tomography,EIT)传统图像重建算法的局限性和深度学习在非线性图像重建中的优点,综述了基于深度学习的直接重建法、间接重建法和隐式重建法3种EIT图像重建算法的研究进展,分析了基于深度学习的EIT图像重建算法存在的不足,指出了基于深度学习的EIT图像重建算法应在提高数据集质量、增强图像可解释性以及改善成像分辨力等方面实现进一步的技术突破。

深度学习重建算法在肝脏肿瘤患者CT检查中的应用进展

肝脏肿瘤在临床较为常见,尤其是肝癌患者,是消化系统常见的恶性肿瘤之一,已严重威胁到人们的身心健康。基于卷积神经网络的深度学习重建算法是CT重建算法的一种新兴技术,逐渐趋于成熟并且在体模、临床中已有相关实践。与滤波反投影法、迭代重建算法相比,深度学习重建算法可以降低辐射剂量、实现有效降噪,优化细微结构的显示,提升主观诊断信心等。影像组学可以高通量地提取高维影像特征,深度学习重建算法可以提高影像组学特征的临床应用可信性。本文对深度学习重建算法在肝脏肿瘤中的相关研究展开综述,旨在进一步理解深度学习重建算法的临床进展,并为后续研究积累证据。

基于降维处理的快速EMT图像重建算法

电磁层析成像技术(EMT)具有非侵入、响应速度快、成本低等优点,在工业过程监测和多相流测量等领域有广泛的应用前景。该文针对电磁层析成像逆问题的病态性,提出了1种非迭代的、基于灵敏度矩阵降维的EMT图像重建算法,应用核主成分分析(KPCA)方法对灵敏度矩阵进行降维,有效降低了算法计算复杂度,同时降低了灵敏度矩阵的病态程度。为验证该算法的有效性,将该算法应用于平面EMT金属探伤,并将其与传统的线性反投影算法和Landweber迭代法进行比较。仿真和实验结果表明,该算法的成像质量远高于线性反投影算法,与Landweber迭代法相近,且该算法的计算耗时仅为Landweber迭代法的20%左右。