基于模拟观察函数的损失函数提升学习型 CT 重建中的信号检测能力
内容提要
该文综述深度学习在稀疏视图CT重建中的应用，涵盖超分辨率网络、生成对抗网络、多任务学习等方法，可减少伪影、提升图像质量与重建精度，并探讨深度网络解决逆问题的可行性与鲁棒性。
延伸解读
损失函数设计对CT重建质量的影响
文章指出，在基于MSE损失的重建网络中引入感知损失和对抗性损失，能更好地平衡图像清晰度和对比度。这表明，单纯优化像素级误差可能不足以满足临床对图像质量的要求，结合感知和对抗性损失有助于提升视觉质量。
语义可解释性评分：量化评估图像质量的新指标
文章提出了一种语义可解释性评分，可客观定量评估图像质量。在心脏MRI数据集上的实验显示，该方法在人类观察者研究和该评分上均优于最新技术。这为医学图像重建提供了一种更接近人类感知的评估方式。
深度学习解决逆问题的可行性与局限
文章综述了多项研究，其中既有证明深度学习能精确解决CT逆问题的证据，也有研究指出在特定条件下CNN无法解决稀疏视图CT逆问题。这表明深度学习在逆问题中的应用仍存在边界条件，需谨慎评估其适用性。
稀疏视图CT重建的鲁棒性比较
文章提到，对比深度神经网络和传统稀疏方法，深度神经网络在保持稳健性的前提下能提供更高的重建质量。这提示在稀疏视图CT中，深度学习方法可能比传统方法更具优势，但鲁棒性仍需进一步验证。
Q&A
深度学习在稀疏视图CT重建中主要有哪些方法？
文章提到的方法包括超分辨率网络（SIN）、细化网络（PRN）、生成对抗网络（如SMGAN）、多任务学习模型以及U-Net等。这些方法用于减少条纹伪影、提升图像质量和重建精度。
深度神经网络能否精确解决CT重建中的逆问题？
文章指出，通过迭代的端到端网络方案和数据驱动的校准步骤，CT重建可以达到数值精度，与压缩感知策略相当。但另一项研究发现，在特定条件下，CNN不能解决稀疏视图CT的逆问题，这对使用CNN解决逆问题提出了疑问。
深度学习方法相比传统方法在CT重建中有何优势？
深度神经网络方法比传统稀疏方法在保持稳健性的前提下，提供更高的重建质量。例如，在乳腺CT模拟中，重建精度比基于CNN的研究提升了两个数量级。
如何改善低剂量CT图像的质量？
文章提到结构敏感多尺度生成对抗网络（SMGAN），通过加入三维体积信息和采用不同损失函数训练去噪模型，能有效保留正常剂量CT图像的结构和纹理信息，同时显著抑制噪声和伪影。
在稀疏视图CT中，如何平衡视图数量、图像质量和诊断信心？
文章提到使用U-Net来改善稀疏视图CT图像质量以进行肺癌检测，并确定视图数量、图像质量和诊断信心之间的最佳平衡。
深度学习在锥形束CT（CBCT）图像转换中有何应用？
通过多任务深度学习模型，以特征为导向的深度学习框架可以将低质量的锥形束CT图像转换成高质量的类似CT的成像，从而在压制伪影的同时保留解剖细节。
