深度学习引发了变革，重建算法我是来真的！
不健康的熊猫2020-08-02 08:28
04:42
多年来，CT技术领域的发展一直围绕探测器宽度、扫描计量降低以及迭代重建算法优化几个方面。虽然高端CT设备通过一系列硬件的提升，加之影像重建技术的优化，不断改善了诊断效能，但始终无法突破影像过度平滑的技术限制，让医生基于“过度美颜”的影像进行诊断，难免会有“雾里看花”的不真实感。
GE以基于Edison平台上开发出来的TrueFidelity新一代“深度学习重建算法”开启了CT技术人工智能元年。
都说TrueFidelity重建算法是一场革命，究竟TrueFidelity重建算法革了什么命？
请你往下读，你品，你细细品！
我看见了我的死亡
——伦琴夫人
1895年物理学家——伦琴意外发现了穿透性很强的X射线，并说服他的妻子充当小白鼠，拍下了他的第一张X光片子。
没过多久，人们就借助这种新颖的透视技术去解读生命的密码。
不用剖开身体，便可以看到身体的内部情况，医学影像的大门也就此打开。如果说X光片是二维平面的照片，那么随后的CT技术就是精细的3D立体影像。这时就不是医生拿个特殊相机按个快门那么简单，与其说CT是在给人体拍照，不如说它是在研究怎么P图，因为CT照出来的片子并不是直接投射出来的 。
CT影像永恒的难题
平衡图像质量和辐射剂量
CT全称Computed Tomography，计算机断层成像。经过复杂的设备，从不同的角度扫描人体之后必须再借助计算机的处理，医生才有读懂它的可能。其中的关键就是计算机处理这些数据的方式——算法。我们常用的P图软件也有自己的算法，但与之不同的是，P图软件的算法是为了掩盖事实，而CT算法是为了更好地获知真相。
但CT影像的一个永恒的两难问题，就是如何平衡图像质量和辐射剂量。
导致医生和真相之间终究隔着算法这一层薄纱，就在医生用CT给我们扫描的这几分钟里同时上演的，还有图像和算法之间无声的较量——图像噪声。
第一代的CT图像算法叫FBP，高剂量下获得的高质量FBP图像，一直是被影像科医生用来作为“ground truth”。但缺陷是如果射线量不足，FBP重建的图像质量就会明显降低。图像噪声的问题就这样困扰着医生。
为了解决渣画质的问题人们借助算法对图像做了一定的优化，因此，第二代CT图像算法---迭代算法出现了，目的是想要在低剂量的条件下，通过算法弥补射线信号的不足。但迭代算法有其固有的局限性，即使目前最高级的迭代模型，也存在对图像真实纹理的改变。在反复迭代过程中，图像中的高频信息会被扭曲和丢失，使图像看起来过度平滑，造成“纹理失真”，看起来反而模糊，使医生诊断信心大打折扣，害怕发生漏诊误诊。
但是一个人的P图技术再高，他也不能这辈子都活在朋友圈里。如果连朋友都认不出来照片里哪个是你？那一定非常尴尬。医生也是一样，虽然马赛克少了画质更平滑了，但你把病灶都给抹掉了是几个意思？
其实想去除图像噪声有一个直接的办法——加大射线量。所谓大力出奇迹。射线扫描出来的信号模糊？你加大力度啊，一条不够两条，两条不够十条。慢着，你知道CT和原子弹有啥关系吗？CT长的很像核弹发射井？不，我是说，这玩意有辐射。
辐射大了，噪声小；辐射小了，噪声又大。医生的纠结就在于此：拿起剑，我就无法拥抱你；放下剑，我就无法保护你。
扫描过程中你也许还会有轻微的运动，体内可能植入了会干扰信号的金属射线，和射线之间有时还会互相影响，射线器材还会产生误差。这些意外变量都会误导算法，在最终的图像上生成伪影，在这些片子的真真假假中，即便是阅人无数的放射科医生也会陷入迷茫 。
在这场无声的较量里，放射科医生手里的算法武器，从图像数据空间降噪到混合型迭代重建。经历了艰难的进化，即使到了“基于模型的迭代重建”，依旧存在噪声纹理可能被改变的缺陷。因此，虽然迭代算法已经推出了10年，并在不断改进，但由于其自身的局限性，医生的接受度并不理想，不会在实际工作中使用过多的迭代算法。
深入临床创造深度真价值
而不是一个AI风口的符号
技术总是在向前发展。
GE医疗在Edison平台上开发出来的TrueFidelity新一代“深度学习重建算法”，大幅度提升了图像重建的质量和效率，可以一定程度上解决医生的困扰。
它不再依赖固定的数学程式去进行模拟运算，而是充分发挥机器深度学习能力和大数据本身的潜能去发现源头数据的真实模样。
低剂量、低噪声、真实图像纹理
三者兼得
为突破迭代算法的瓶颈，GE选择了基于Edison平台，引入深度学习技术来重新构建重建算法：使用高质量的FBP图像作为训练集，训练深度神经网络，可以将低剂量的CT扫描数据还原成高质量的FBP图像。深度学习算法完美的解决了一直困扰CT成像无法在降低射线剂量的同时获得高清影像这对矛盾体的平衡，使得低剂量、低噪声、和真实图像纹理三者兼得。
TrueFidelity变不可能为可能：之前临床时使用超低剂量条件扫描，被判定为噪声太大无法诊断，需要重新扫描的图像，在TrueFidelity的图像下完全达到了常规的诊断标准。
腹部成像，优势明显
对于天然对比度低的组织结构，比如腹部成像，TrueFidelity有明显优势。腹部器官复杂，且和周围肌肉和软组织之间的对比度低，传统CT图像对腹部检查一般都选择5mm厚层图像重建，所谓多少多少毫米层厚的图像，就是像切面包片一样，在断层扫描时把人体切成多厚的片儿来进行图像重建。断层切片越薄，也就是层厚越小，对获取射线信号量的要求就越高，如果信号量不够，那么原始薄层图像的质量就会非常差，重建效果也不好，所以传统的腹部影像扫描图像基本是用5mm的厚层图像进行重建，即牺牲空间分辨率以获得更小的图像噪声，尤其是对体型较大，就是脂肪偏厚、体态偏胖的患者。而TrueFidelity重建算法可对任意体型、任意部位的扫描图像进行0.625mm的薄层图像重建，能够发现更加微小、初期的病灶，这对重大疾病的早诊早治非常有帮助。
TrueFidelity变看不见为看得见：以腹部的肿瘤转移病灶影像检查为例，传统CT扫描在5mm层厚图像上进行重建，因为需要权衡扫描射线剂量和图像质量，对于微小的初期转移肿瘤病灶很难发现；TrueFidelity在常规射线剂量下、在0.625mm薄层图像上进行重建，可以发现1毫米大小的微小初期病灶。
（以上数据来源：GE医疗全球研发团队）
参数设定上的革命性
TrueFidelity基于深度神经网络技术，可用于调节的参数是迭代算法的10,000倍，真实还原了图像的解剖细节和纹理，提供给医生更加精准、可靠的影像诊断信息。
TrueFidelity变人工为智能：在参数设定上不需要人工干预，因为计算模型学习的对象是大量射线条件下非常高清、真实的人体部位影像，能够自动生成重要的参数和特征；迭代算法则不同，需要人工设计模型和确定提取的特征。
基于30多年来全球大量的CT设备装机和海量的影像数据基础，APEX CT颠覆了传统CT的迭代重建算法，通过深度神经网络训练开发出人工智能CT图像处理技术TrueFidelity，是业界首个还原原始图像的深度学习CT影像重建算法，能够通过持续学习高射线剂量条件下的高清真实影像数据，重建低射线剂量条件下扫描出来的影像，与QUANTIX高能球管和探测器等领先硬件技术配合，获得更高质量、非常接近原始的图像，其成像效果就好比千万像素摄像头捕捉到的、还原真实的效果，为医生提供更有利于精准诊断的信息。对患者而言，可实现更低射线剂量的精准诊断，减少漏诊的可能性，让每一次扫描都能获得以往CT设备无法比拟的高清图像质量。
举报/反馈
0
0
收藏
分享
