来呀！来呀！关注我吧！！
引言
Philips Precise Image 重建算法是一种全新的人工智能算法，利用卷积神经网络使生成的重建图像噪声纹理更接近传统滤波反投影图像，同时实现了降低剂量、减少噪声并提高低对比度可检测性(LCD)，从而实现以更低的剂量获得更高质量的图像。
Philips Precise Image已在体模和临床数据上进行了广泛测试。大多数常规图像质量评价指标是通过体模图像计算的，而Precise Image在训练过程中主要使用临床图像，而不是体模图像，以确保神经网络不是为了简单地在性能体模上给出良好结果而训练的，而是为了提供改进的临床图像。
一、噪声功率谱
迭代重建图像的一个常见问题是噪声纹理与FBP图像明显不同，而Precise Image经过训练可重现FBP的噪声纹理，同时显著降低图像噪声。
我们知道用于量化噪声纹理的既定指标是噪声功率谱（noise-power spectrum，NPS）。
详情见：CT图像噪声评价方法：噪声功率谱（NPS）与标准差（SD）
Precise Image图像的NPS测定是通过在300mAs和100mAs的条件下分别对30cm水体模进行扫描，并对100mAs扫描的图像通过不断增强降噪功能，创建具有高图像质量和低噪声的图像，然后计算获得的每张Precise Image图像以及高剂量FBP图像的一系列归一化的NPS值。
无论降噪幅度如何，Precise Image图像可以保持几乎恒定的归一化NPS，这与FBP重建图像的NPS非常匹配。因此，即使在低剂量和强降噪水平下，也可以定制图像噪声纹理，使其与FBP图像紧密匹配。
二、低对比度检测能力
低对比度可检测性（LCD）测试是测量重建算法剂量减少能力的既定方法。人类或模型观察者会看到许多不同的噪声图像，其中一些包含已知的低对比度对象，有些则不存在对象。对于每张图像，观察者必须确定对象是否存在。衡量对每个噪声图像做出正确判断的成功率，这些分数可用于推导出可检测性指数（d-prime）。该指数反映了使用给定剂量和重建方法检测对象的统计成功率。d-prime=0对应于随机猜测（AUC=0.5），而d-prime= 4.38 对应于近乎完美的可检测性（AUC=0.999）。
Precise Image的LCD测试使用MITA低对比度模体CT 189，重点关注直径10mm、3HU对比引脚针。模型观测器是具有3-DOG通道的通道化Hotelling观测器（CHO）。使用200个图像对（对象存在，对象不存在），并将剂量为10mGy的FBP图像与4mGy和2mGy的Precise Image图像（分别减少60%和80%剂量）进行比较。LCD测试结果显示：在4mGy和2mGy下使用Precise Image图像的可检测性比在10mGy下使用FBP的可检测性分别提高了80%和43%以上。该测试表明，使用Precise Image不仅可以获得显著的低剂量和超高的低对比度图像，还保留比其他重建算法更传统的噪声纹理。
三、临床研究
来都来了，点个在看再走吧~~~
