人工智能與輻射劑量和高質(zhì)量成像結(jié)果的圣杯

放射學研究人員花費了無數(shù)小時來尋求一種減少劑量的技術(shù)，該技術(shù)可提供高質(zhì)量的圖像，同時仍盡可能限制患者對電離輻射的照射。根據(jù)發(fā)表在《放射學院學報》上的一項新分析，人工智能可以為成像專家提供解決此問題的完美解決方案：基于深度學習的算法。

波士頓馬薩諸塞州總醫(yī)院DNB的醫(yī)學博士Avinash Kambadakone解釋說：“傳統(tǒng)上，濾波后的投影一直以來都是CT圖像重建的領(lǐng)先算法，因為重建時間短且計算效率高，可以在患者掃描期間進行實時圖像重建。”“但是，在低劑量環(huán)境中和身體習慣較大的患者中，由于較高的圖像噪聲和光束硬化偽影，圖像質(zhì)量會下降。這導致了迭代重建(IR)算法的開發(fā)，該算法以迭代方式依賴于非線性運算。”

但是，IR算法并不總是有效的。Kambadakone解釋說，它們有時還與專家不喜歡的“斑點”，“人造”外觀相關(guān)聯(lián)，并且在某些情況下(例如低對比度的任務)，IR減少輻射劑量的能力“受到限制”。

這就是AI出現(xiàn)的原因。研究人員發(fā)現(xiàn)，基于深度學習的算法具有在高圖像質(zhì)量和低輻射劑量之間達到完美平衡的能力。Kambadakone描述的一種AI方法涉及“使用基于圖像空間的重構(gòu)來訓練具有低劑量CT圖像的卷積神經(jīng)網(wǎng)絡(luò)，以重建標準劑量CT圖像。”另一項技術(shù)要求實現(xiàn)“使用基于深度學習的方法在IR算法中更復雜的功能”。

到目前為止，這種方法已被證明是非常有效的，而Kambadakone將早期結(jié)果描述為“有希望的”。但是，他指出，現(xiàn)階段仍然顯然需要進行更多的研究。研究人員必須小心;在沒有適當驗證的情況下采用這些技術(shù)前進將是一個重大錯誤。

Kambadakone總結(jié)說：“盡管減少輻射劑量是必不可少的，但必須確保CT掃描的診斷性能以及放射醫(yī)師自信地回答相關(guān)臨床問題的能力不受影響。”“在圖像重建中使用AI為在低輻射劑量下實現(xiàn)高圖像質(zhì)量的圣杯提供了寶貴的機會，而超低劑量亞毫毫米CT掃描時代可能不是遙不可及的夢想。”