引言
深度学习图像重建（deep learning-image reconstruction，DLIR）是一种新型的基于DNN的CT图像重建算法，突破了非线性迭代重建算法在图像质量方面的限制。其基本原理是：首先向DNN提供数千组匹配的数据，即一个低剂量低质量图像数据和一个高剂量高质量图像数据，然后进行模型训练，即对网络中的神经连接点的参数进行数百万次迭代和调整。在训练过程中，模型在监督下学习如何去除低质量图像中的噪声，并将其转换成高质量的图像，且不影响解剖和病理结构。此外，训练过程中，需使用验证集来检验模型的状态，若模型达到性能峰值，即停止训练，以防过拟合。训练完成后，使用测试集进行模型的性能评估并确认最终模型。经过充分的模型训练和测试后，创建DLIR引擎，并部署在特定CT系统上运行，根据临床需求，可以选择不同重建强度，如飞利浦Precise Image，可以提供解剖部位和临床任务指定的重建模式进行选择重建。
详见：
Philips AI Recon 技术原理及临床应用（一）：Precise Image 神经网络
Philips AI Recon 技术原理及临床应用（二）：Precise Image 从体模研究到临床数据
目前，实现商业化应用的DLIR算法包括Precise Image（Philips医疗）、TrueFidelity（GE医疗）、Advanced Intelligent Clear‑IQ Engine（AiCE，Canon 医疗）和NeuAI denosing（东软医疗）。
Precise Image和TrueFidelity算法均使用高辐射剂量条件下高质量FBP图像作为目标数据集进行训练，其概念是复制大多数放射科医师熟悉的FBP图像的噪声纹理和视觉印象，并从投影数据中产生DLIR图像，以获得高信噪比（signal‑to‑noise ratio，SNR）、高对比噪声比（contrast‑to‑noise ratio，CNR），且无“过度平滑”感的自然医学图像。但两者不同的是Precise Image不仅在体模和临床数据都进行了广泛的测试，还可以提供解剖部位和临床任务（如肺、软组织和骨等全身）指定的重建模式进行选择重建，而TrueFidelity只能提供3个强度的降噪模式（低、中和高）。AiCE算法则使用高辐射剂量条件下高质量基于模型的迭代重建（model‑based iterative reconstruction，MBIR）图像作为目标，经过比商业化的MBIR更多的迭代次数，以达到最佳的图像质量。NeuAI denosing算法以无噪声的高质量图像作为训练目标，可直接应用于低剂量FBP图像中生成低噪声、高质量图像，并提供了50%和100%两个降噪权重。
DLIR适用于成人和儿童的所有解剖部位，包括头颈、心血管和实质脏器等。DLIR可以显著降低图像噪声，同时保留真实的噪声纹理及解剖和病变细节，提高信号噪声比（SNR）和对比噪声比（CNR），从而改善图像质量，提高诊断效能；可以在保持一定图像质量和诊断效能的情况下，降低辐射剂量和对比剂用量，尤其适合于高图像噪声的CT检查，如低剂量成像、高分辨率成像、肥胖患者成像、灌注成像、儿童成像和能谱成像等。同时，DLIR算法将与智能影像、智慧管理等相关技术方案，以及业界尤其关注的医学3D打印技术进行融合，进一步形成迭代、精准、智能影像一体化检查技术。
来都来了，点个在看再走吧~~~
