摘要
【目的】低剂量CT扫描技术已广泛用于肺结节和肺癌早期筛查等临床诊断。然而,由辐射剂量降低所导致的成像噪声制约着诊断精度的进一步提高。【方法】本文综合研究了低剂量CT图像降噪技术的发展脉络,从基于迭代优化等传统方法出发,分析了当前基于机器学习技术的低剂量CT图像降噪等CT图像降噪方法。【结果】现有基于机器学习的CT图像降噪方法,一方面采用人为假设噪声分布并构造人工数据集进行模型训练和测试,忽略了临床应用中噪声特点和强度的多样性问题;另一方面,由于深度神经网络的"黑盒"特性,导致现有基于深度神经网络的低剂量CT图像降噪模型的可解释性不足。【结论】CT图像降噪应面向临床实际需求,充分考虑噪声形成的机理和图像噪声的真实分布,结合病灶检测等高阶任务和临床医生的阅片行为,探索面向临床需求的低剂量CT图像降噪新范式。
- 出版日期2021
- 单位四川大学华西医院; 电子科技大学