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（CNN）使生成的重建图像噪声纹理更接近传统滤波反投影(FBP) 图像，更适应医生的读片习惯，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。
本章节主要讲Precise image的神经网络，在此之前我们简单了解一下什么是深度神经网络？
深度神经网络(deep neural network, DNN)是一种人工神经网络，在数学操作的输入层和输出层之间有多层人工神经元或节点。复杂的深度神经网络，如Precise Image的DNN，具有许多层，并且能够模拟复杂的非线性关系。DNN的设计是使网络以有效的方式实现其优化目标的基础。Precise Image借助该网络旨在解决图像重建的特定挑战，并优化了网络内的节点和层的数量，以解决减少延迟和快速运行的需求，同时解决了复杂的优化挑战。
Precise image的神经网络
1、训练神经网络
虽然一个设计良好的DNN在解决复杂的优化问题方面表现出了很大的优势，但重要的是要认识到它的好坏取决于为其提供的训练。正确的DNN监督训练策略包括组合一组输入和输出，以提供对要解决的问题空间的充分采样。在这一点上，合理和彻底的方法对于实现神经网络的鲁棒性至关重要。
为了训练精确的Precise image图像神经网络，首选获取常规剂量扫描的具有临床诊断价值的图像数据，然后基于此，以一种精确模拟光子和电子噪声的方式模拟低剂量扫描数据，最后赋予神经网络从低剂量输入复制常规剂量图像的图像外观的任务。通过这种方式训练神经网络，使得对CT固有的各种因素（如辐射剂量、患者体型和解剖结构）具有更强的鲁棒性。
a.从常规剂量临床扫描中获取数据
b.通过低剂量模拟技术从常规剂量数据生成低剂量扫描数据
c.用传统的FBP技术重建常规剂量扫描数据
d.训练CNN用低剂量扫描数据再现常规剂量FBP图像的图像外观
2、验证神经网络
使用来自不同人群的各种扫描参数获得的患者数据进行验证Precise Image图像神经网络。首先提供从常规剂量扫描中模拟的低剂量数据作为神经网络的输入，再将Precise Image生成的低剂量图像与使用标准方法重建的常规剂量图像进行比较，当Precise Image生成的低剂量图像质量达到或超过常规剂量标准重建的图像时，说明对神经网络进行了充分的训练验证。
3、推理允许快速临床工作流程
一旦网络被训练，DNN的节点和层的权重是固定的，这意味着可以快速处理患者数据形式的新输入，以支持高通量临床工作流程，并提高了Precise Image图像的诊断信心。
Philips Precise Image以神经网络的智能设计为基础并完成了强大的训练，是目前业界最快的人工智能重建算法。
来都来了，点个在看再走吧~~~
