如果说探测器是眼，那CT的大脑是什么？

器械之家

医疗器械媒体报道先锋

分享专业医疗器械知识

关注自1895年伦琴发现了X射线，人类就没有停止过利用这种奇异射线探索身体内的奥秘，而人们用来操纵X射线的方式不断进化。其中，CT作为目前主流的医学影像设备，在X线被发现后70年才真正的被探索出来，这其中经历了什么？先来看一段视频。
视频来源：EyeOpener
这段视频很好的告诉我们，CT、X射线与算法间的奇妙缘分。坊间有“CT的进化史就是探测器的进化史”的说法，因为探测器是CT的“眼”，而帮助眼睛处理图像的“算法”，是不是更像是CT的大脑呢？
CT（Computed Tomography）计算机断层扫描成像不同于以投影数据为终极结果的常规XR装置，CT需要把得到的不同的角度（至少180度）的投影数据依靠计算机转化成断层图的形式，所以它特别依赖于计算机的硬件发展和图像重建技术的研究，而重建算法往往需要兼顾和平衡图像质量和辐射剂量两个矛盾的数据。

1969年，世界第一台CT样机诞生，这台机器采用了平移旋转的技术，通过皮带驱动，X线球体和气体探测器在180度取160个读数，5分钟扫描一个层面，通过2小时运算，才产生了第一幅脑部断层影像，这个长达数小时的成像过程，就是算法落后导致的。
通过计算机合成的CT图像，系统将CT扫描中X线穿透人体的每个层面内的结构可以被分成多个小立方体(被称为体素：Voxel)，每个小立方体都对应一个单独的衰减信号，把这个信号输入到图像平面矩阵中相应的小格子(被称为像素：Pixel)中，把每一个体素的衰减信号都输入到相应的像素内，然后以不同的灰度反映出来，这就是CT图像重建的过程，也是重建算法的基础。

01

算法，CT的大脑

重建算法也在不断的演化，在1972年的RSNA上，EMI公司展示了第一台CT机，RSNA历史记上这样描述：“许多与会者预计1972年的RSNA在Palmer House一定是一个令人沮丧的事情。因为在此期间，与会者，招待嘉宾，论文演讲和参展商不得不面对Palmer House的空间不足。然而，本次会议成为了最重要的一个RSNA年会，因为它包括了一台新的设备被称为计算机轴向断层扫描仪，或CAT扫描仪的显示，后来被人们称为‘CT’。”
而同时RSNA历史记也记载了一段关于初代CT机系统的细节：“几个月后，第一个‘个人’计算机——牵牛星（Altair）8800诞生，它的运行是在一个叫比尔·盖茨的少年发明的一个BASIC程序编写器上进行的。”
为“Altair8800”编写程序的少年比尔·盖茨

这一时期CT机使用的是第一代CT图像算法——滤波反投影(Filtered Back Projection, FBP)。这种算法利用高剂量获取高图像质量，缺陷是如果射线量不足，FBP重建下的图像质量就会明显降低，并且持续高剂量照射会对患者造成辐射损伤。
二十一世纪初，第二代CT图像算法——迭代重建算法诞生，目的是在低剂量的条件下，通过算法弥补射线信号的不足。简单来说就是利用求解线性方程组的方式来重建图像，实际上是从—幅假设的初始图像出发，采用逐步逼近的方法，将理论投影值同实际测量投影值不断进行比较和迭代更新，直到最终获得最优解。
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，呈现出不自然的蜡像感，有如加了一层“滤镜”般“过度美颜”，看起来反而模糊。而且由于迭代算法自身局限性，会导致低对比度结构的空间分辨率下降，降低病灶的可检测性，因此医生的接受度并不理想，在实际工作中的使用频次也并不高。

02

深度学习重建算法

为了同时实现低剂量、低噪声、自然纹理三者兼得的目的，CT制造商们已经开发出深度学习算法(Deep Learning Image Reconstruction, DLIR)来实现重建和降噪。视频中提到的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”正是这样的一种新算法，特点是利用高质量的FBP数据集来训练深度神经网络(Deep Neural Network, DNN)学习如何区分信号和噪声，并且在不影响解剖和病理结构的情况下有效地抑制噪声。
不同于其他深度学习算法以迭代图像作为训练目标，GE医疗使用的是高质量、高剂量的FBP图像来训练深度神经网络，将低剂量的CT扫描数据还原成高质量的FBP图像。基于深度学习的重建算法，无需人为操作，自动优化深度神经网络，可调节的参数也是迭代算法的一万倍，并基于大量极端和案件案例作为验证数据集，保证模型的泛化准确性，且随着数据量的增加，模型准确性不断提升，重建速度可适用于常规和急诊需求，不会因去除噪声而导致微小病灶遗漏。

深度学习重建算法的出现，可谓完美地解决了一直困扰CT的难题，能够实现低剂量、低噪声和真实图像纹理三者兼得。通过这种深度神经网络训练开发出的人工智能CT图像处理技术TrueFidelity，是经FDA批准的业界首个还原原始图像的深度学习CT影像重建算法。

03

低对比度诊断任务的临床优势显著

由于腹部器官复杂，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厚层重建，即牺牲空间分辨率，获得更小的图像噪声，尤其是对体型较大的病人。
而TrueFidelity可对任意体型任意部位的检查进行0.625mm的薄层图像重建，真实还原图像的解剖细节和纹理，提高微小病灶的发现几率，尤其是对于天然对比度低的组织结构，比如腹部成像，TrueFidelity的诊断优势尤为明显，并为临床诊断带来了显著突破。
在四川大学华西医院提供的临床测试中，之前使用超低剂量CT扫描，无论是FBP重建算法还是迭代重建算法，均被判定为噪声太大无法诊断，需要重新扫描的图像，而应用了TrueFidelity的图像下完全达到了常规的诊断标准，且最低只需10%的辐射剂量，即可得到TrueFidelity真理图像。
北京儿童医院的测试病例，之前使用迭代算法5mm厚层重建的图像上，只能看到一个大的病灶，看不到微小病灶，0.625mm的薄层图像上也因噪声太大无法判断。而经过TrueFidelity，任意扫描0.625mm薄层重建，空间分辨率能提高8倍，1.25mm微小病灶检出率提升50%，最终额外发现了3个之前看不到的微小病灶。

04

算法的颠覆

为什么说TrueFidelity颠覆式的算法？以往的人工智能系统（AI）、算法基本都是围绕在图像的后处理方面，目标是提高医生的检查速度和准确率，而TrueFidelity则将重点提前到图像采集阶段，从而产生了前所未有的化学反应，目前成功应用这一技术的设备有去年GE发布的APEX CT，TrueFidelity图像重建算法+QUANTIX高能球管和探测器，另APEX CT获得比同类产品更高质量、非常接近原始的图像。

TrueFidelity是在GE的智能平台Edison基础上开发出来，Edison是GE医疗打造的数字医疗智能平台，帮助提升效率、增加患者产出、改善医疗可及性。Edison平台采用了一个覆盖广泛的专业医疗开发功能模块组件，使GE开发人员和其战略合作伙伴能够快速设计、开发、管理、保护和分发高级应用程序、服务和AI算法。不仅如此，它还整合并吸收了多个来源的数据，应用分析和人工智能技术，不仅可以转换数据，还可通过云端或设备边缘服务，提供可部署在医疗设备上的操作指引。未来相信这个平台能够开发出更多优秀产品。

来源：EyeOpener、云影论道等

相关阅读
戳一下，更有料！
2020年世界最佳医院排行榜出炉，麻省总院跌出前五！

第三届进博会亮点曝光：多款医疗黑科技齐亮相！

GE医疗全球第二条高端呼吸机产线落户无锡！

GE医疗推出INTERACT Angio-CT Suite一站式智能介入诊疗平台

一文读懂化学发光！

核心元件依赖进口：《2020年中国医疗影像产业链研究报告》

【疫情】隐瞒三个月后，美疾控中心发布重磅报告：中国，你清白了！

超20%年均复合增速，医疗器械研发外包核心服务将从临床试验转向研发生产

商务合作：[e-mail]