低剂量CT图像重建算法对脑出血检测性能的影响

计算机断层扫描（CT）是检测脑出血（ICH）的首选方式。临床中，据流行病学统计，有近一半的脑出血患者在24 h内发生死亡，所以需要迅速、及时的评估和处理。在实际中，随着脑部CT扫描的广泛应用，医生需要花费大量时间来诊断CT图像，诊断效率有待进一步提高。此外，脑出血种类较多，出血区域也很容易与钙化或伪影混淆，对于经验丰富的放射科医生，脑出血及其亚型的准确诊断极具有挑战性。因此，快速精准检测脑出血具有重要临床意义，其可缩短脑出血诊断时间，提高诊断精度，进而快速采取干预治疗措施，最终改善临床结果。

近年来，基于大数据和深度学习的脑出血检测技术被广泛提出，且表现出优异的潜力，其通过设计深度学习网络和算法挖掘脑部CT影像大数据中数据表征，以实现ICH准确检测。例如，Lee等提出了一种基于人工神经网络的ICH检测算法，用于检测ICH及其亚型。实验结果表明，该算法获得了敏感性值为0.78，特异性值为0.80。Wang等提出了基于卷积神经网络和循环神经网络的ICH检测算法，能较好的模拟放射科医生的诊断过程，以实现对急性脑出血的检测和亚型的分类。该模型在2019-RSNA脑出血挑战赛数据集上对脑出血分类的AUC达到0.988，对脑出血5种亚型分类的AUC分别为0.984、0.992、0.996、0.985和0.983，达到了放射科医生的水平。Chilamkurthy等分别对脑出血、中线移位和颅骨骨折三个子任务训练了单独的深度学习模型，该模型在Qure25k数据集和CQ500数据集上对脑出血以及亚型分类的AUC都达到了90%，实现了较好的诊断性能。Li等提出了一个切片依赖学习模型，通过从脑CT图像中学习图像特征，并从不同的切片之间的相关性来预测异常。该模型在CQ500数据集上实现了0.6757的准确率，0.6104的召回率，0.6412的F1分数，AUC达到了0.8934。这些研究工作表明，未来深度学习在脑出血检测的临床应用中具有广阔的前景。

尽管基于深度学习网络的脑部CT图像ICH检测算法的诊断性能较常规技术有一定提升，但其鲁棒性依然值得探究，尤其是在低剂量CT成像情况下。由于剂量辐射危害，临床中常采用降低管电流或管电压进行低剂量CT成像，但此策略容易导致重建CT图像中引入噪声和伪影。噪声和伪影会降低图像质量，继而影响后续图像分析处理（如病灶检测，分割和分类等），特别是基于深度学习网络的图像分析算法。目前在自然图像中关于噪声对深度学习模型影响的研究较多，这些研究将对抗噪声添加到输入图像中测试模型性能的变化。对抗噪声是一种通过人为设计的优化算法产生的扰动，主要用于分析深度学习模型中的漏洞以及提高模型的鲁棒性。在CT图像领域，这些噪声与自然图像中生成扰动的方法相似，关注的是模型在实际应用中的系统安全性问题。而本研究中噪声是基于CT系统建模得到的噪声，是低剂量成像下CT图像中真实存在的噪声。虽然低剂量重建算法可重建出高质量CT图像以降低噪声对深度学习模型的影响，但这些算法的成像结果对模型检测性能的影响尚不清楚。因此，本工作主要开展低剂量CT成像算法对基于深度学习网络的脑部CT图像ICH检测算法性能影响研究。

为了探究上述问题，本研究首先获取了正常剂量（定义为100%dose）的脑CT图像，并对该数据进行了3种低剂量仿真（30%、25%和20%dose）。用7 种具有代表性的CT图像重建算法对这些低剂量数据进行图像重建，由于重建算法对噪声抑制能力不同，所以重建图像包含不同程度的噪声。本研究采用基于深度学习方法的模型对正常剂量图像和7种重建算法得到的图像进行脑出血检测。通过与正常剂量图像的脑出血检测结果进行比较，评估不同重建算法对脑出血检测性能的影响。

1 方法

图1展示了脑出血检测的工作流程，主要包括低剂量仿真、图像重建和ICH检测3个步骤。具体地，首先对原始正常剂量的脑CT图像进行仿真获得低剂量数据。在训练阶段，应用高低剂量配对数据进行深度学习网络训练，获得重建算法模型。在测试阶段，分别用不同的CT图像重建算法对低剂量数据进行重建。本文采用了7种的重建算法，包括滤波反投影算法（FBP）、惩罚加权最小二乘的全变分（PWLS-TV）、非局部均值滤波（NLM）、3维块匹配（BM3D）、残差编码解码卷积神经网络（REDCNN）、FBP卷积神经网络（FBPConvNet）和图像恢复迭代残差卷积网络（IRLNet）。然后，将不同算法重建的图像和正常剂量的图像输入到脑出血检测模型（CNN-LSTM）中进行脑出血自动检测。最后，通过与正常剂量图像的脑出血检测性能进行比较，评估了不同重建算法对脑出血检测性能的影响。、

1.1 低剂量CT仿真

文献提出了一种简单的基于原始高剂量扫描的正弦图数据的低剂量CT仿真模拟策略。由于低剂量CT图像在投影域对数变换前的噪声服从泊松分布和高斯分布，该方法通过在正常剂量图像的正弦图数据中加入了独立泊松噪声和高斯噪声获得低剂量数据。具体仿真过程如下：

女子被土狼袭击之后，青辰曾近距离地观察过那伤口，很深。那时与现在只隔着六七个时辰，但现在的伤口，却似乎比那时要浅着许多。青辰望向其他人，其他人似乎并没有注意到这种异象。

1.2 图像重建算法

四川工商学院中兴通信学院从2016级起，就采用“家校企生”四方机制联系制度，即建立一种家长、学校、学生与企业的四方联动机制，形成互动机制，将学生家长桥接起来，共同帮助学生从学生到准职业人、准职业人到职业人的过渡，帮助学生正确认识自己，督促自己成长，朝正确清晰的道路上发展。

随着我国对高等教育的大力投入，越来越多的人有机会进入高校学习，每年都有大量的毕业生从学校步入社会。就业大军日益庞大，教育部表示，2018年全国约有820万大学毕业生，就业竞争越来越激烈，就业压力越来越大，就业形势越来越严峻。与此同时，企业招人难现象也越来越普遍。在人力市场供需两旺的表面下，如何解决大学生“就业难”，企业“招聘难”的“两难”问题成为社会热点问题，职前培训作为目前解决此热点问题的途径之一，受到社会各界的广泛关注。

电路功耗包括动态功耗和静态功耗[13]，基于零延迟假设，动态功耗常使用电路开关活动进行评价[4～7]，而静态功耗常采用电路泄漏电流进行评价[8,13,14].假设电路包括g个逻辑门，第k个逻辑门及其输出信号使用gk表示，由文献[6]可以得到如式(4)所示的电路开关活动计算公式，也称其为动态功耗计算公式.假设逻辑门gk的输入数为Ik，其第l个输入信号使用sk,l表示，由文献[14]可以得到如式(5)所示的电路泄漏电流计算公式，也称其为静态功耗计算公式.

1.2.2 NLM NLM算法作为传统低剂量CT图像后处理代表性算法，其思想是对同一幅图像中具有相同性质的区域进行分类并加权平均更新像素，获得去噪后的图像。具体地，NLM 算法以参考图像块为中心，然后在整幅图像中寻找相似区域，最后对这些区域加权求平均，能够很好地去除图像中存在的高斯噪声。

1.2.3 BM3D BM3D算法是目前公认效果最优的图像恢复算法之一，该算法主要用到了非局部块匹配的思想，具体为通过将目标图像块与相邻图像块进行匹配，将若干相似的图像块整合为一个三维矩阵，在三维空间进行滤波处理，再将结果反变换融合到二维，形成去噪后的图像。该算法去噪效果显著，可以得到较高的峰值信噪比。

（1）获得初始残差图像：对干净图像-噪声图像对进行训练得到去噪器，去噪后的图像和噪声图像相减获得初始残差图像，初始的残差图像几乎包含了所有的噪声和伪影。

图7A～D分别表示正常剂量图像和不同重建算法在3种低剂量下生成的图像中的脑出血检测的正确率、精准度、召回率和F1分数。通过图7可以清楚地看出，随着扫描剂量的降低，脑出血检测的性能逐渐下降。其中，FBP 重建算法生成的图像脑出血检测效果最差，IRLNet重建算法生成的图像脑出血检测效果最好，基本上能达到和正常剂量一样的检测效果。

本文应用的脑出血检测模型是CNN-LSTM，该模型通过将卷积神经网络（CNN）与长短期记忆机制（LSTM）相结合，对脑出血及其亚型进行预测。其中，CNN主要用于脑CT图像的特征提取，而LSTM负责将病人所有切片的特征连接起来，最后综合考虑该病人所有切片的特征输出预测结果。实验结果显示该模型的加权对数损失为0.0522，与RSNA挑战排行榜上的前3%的性能相当。所以本研究使用预训练好的CNNLSTM模型来测试不同重建算法重建后的脑CT图像。值得注意的是，理论上CNN-LSTM模型可以用其他脑出血检测方法替代。

1.2.4 REDCNN REDCNN算法作为基于深度学习网络的低剂量CT图像后处理代表性算法，其是一个结合了自编码器、反卷积网络和短连接的残差网络。REDCNN算法由10个网络层组成，包括5个卷积层和5个反卷积层。卷积层可以看作是滤波器进行图像去噪，但滤波可能会导致图像细节上的损失，而反卷积层能够对图像进行恢复。因此，对称使用卷积层和反卷积层进行编码和解码就能够在去噪的同时更好地保留图像细节。REDCNN算法采用了结合短连接的残差学习方法进行训练，图像噪声和伪影从低到高被逐级抑制，结构细节也能够很好地保留下来，更有利于深层网络的训练。

（2）估计残差图像高频细节：对初始残差图像进行二维离散小波分析，由于低频波段有一些重要的图像特征，IRLNet算法利用小波域的高频细节来获得残差图像中的伪影信息。

（3）图像细节恢复：由于图像在去噪的过程丢失了一些细节，IRLNet算法对经过小波处理的图像进行了图像恢复工作。该过程通过小波图像-干净图像对训练残差网络对图像进行进一步的恢复。

1.3 脑出血检测模型

1.2.6 IRLNet IRLNet算法是由Wang等人提出的一种迭代残差伪影学习算法，该算法能够提高传统残差网络的重建性能，在降低噪声和伪影、提高低对比度目标的可检测性和保持重建图像的分辨率等方面具有很好的效果。该算法分为3个步骤：获得初始残差图像、估计残差图像高频细节和图像细节恢复。

1.4 实验数据

本研究基于2个独立的医学数据集，建立了一个医用CT图像脑出血检测数据集。数据集1来自于一个开源的多中心的脑部数据集CQ500数据集。该数据集提供了491 名患者的193,317 张静态脑部CT 扫描切片。这些图像由三位分别有8年、12年和20年的头颅CT解译经验的放射科医生独立标注，包括有无脑出血，如果有，判断其类型：脑实质出血（IPH）、脑室内出血（IVH）、蛛网膜下出血（SAH）、硬膜下出血（SDH）、硬膜外出血（EDH）。其次，判断中线位移和质量效应是否存在。最后判断骨折是否存在。在标注过程中，如果三位放射科医生对某一项研究结果没有达成一致意见，则以多数的解释作为最终诊断。本实验主要研究脑出血及其亚型的自动检测，不考虑中线偏移和骨折。本数据集包括150例病人脑出血CT图像。数据集2来自于北美放射学会（RSNA）举办的ICH检测比赛数据集（https://www.kaggle.com/c/rsna-intracranial-hemorrhage-detection.）。该数据集对病人的每一个层面都进行了脑出血类型的标注。本数据集包括50例病人脑出血CT图像。本实验从数据集1中选择了50例作为训练数据，用于训练基于深度学习的重建算法，剩余的150例作为测试数据，用于测试不同重建算法的脑出血检测性能。测试数据包括105例IPH、23例IVH、32例SAH、42例SDH和3例EDH，具体如图2所示。

目前，已落地的越商回归项目亮点纷呈。如由苏州越商、中翔集团董事长郭献斌投资建设的绍兴温泉城项目，已累计投入7.31亿元，其中2011年度投入2亿元的一期工程温泉接待中心、景区生态停车场等已经开放营业，至今接待游客10万人次，在省内外已产生了较大影响。续建的温泉旅游度假区绍兴温泉城二期投资3亿元，将兴建温泉度假酒店、围棋主题会馆和特色商业街。新昌籍在沪越商张永江在家乡新昌投资8.5亿元的浙江馨馨家园养老项目将于2012年年底动工，预计2016年7月建成。

1.5 评价指标

为评估不同重建算法对低剂量CT脑出血检测性能的影响，本研究选取了4个经典的评价指标，包括正确率、精准率、召回率和F1分数，表达式如下：

其中TP、FN、TN、FP分别为真阳性数、假阴性数、真阴性数和假阳性数。值得注意的是，由于本实验是多标签分类问题，正确率、精准度和召回率是先计算每个二分类的正确率、精准度和召回率，然后求他们的平均值即为模型对应的正确率、精准度和召回率。对于模型对应的F1分数，本实验使用的是模型对应的精准度和召回率进行计算的。

定义7 潜在制造能力(MCP)指在原有生产资料基础及约束条件下，通过一定技术手段及管理优化等方法所能够达到的制造能力水平。

1.2.1 PWLS-TV PWLS-TV算法是一种将带惩罚函数的最小加权二乘算法（PWLS）标准与总变分（TV）相结合的迭代重建算法，其表达式为：

电力系统在人们生活中扮演不可或缺的角色，对人们的生活有重要的影响，人们的生活对电力系统运行的安全性要求也越来越高。继电保护作为保证电网系统安全可靠运行的重要组成部件，在电力系统的运行中起着重要的作用。当电力系统用出现故障时，继电保护装置能准确并快速地动作并驱动离故障元件最近的断路器跳闸，从而降低了故障给电力系统带来的危害，提高电力系统运行的安全稳定性。面对火电厂人为继电保护不正确动作事故的发生，应该采取积极有效的预防措施，降低人为因素对电力系统运行的安全性的影响。

2 结果

2.1 仿真算法生成的低剂量图像

图3 展示了正常剂量图像和在30%、25%和20%dose下用FBP算法重建的图像，所有的图像都在脑窗（［0 80］HU）下显示。图3的第1列表示两个病例在正常剂量下的图像，第2列、第3列和第4列分别表示在30%、25%和20% dose下用FBP算法重建的图像。通过图3的结果可以看出，在正常剂量下，脑部CT图像质量较好，能够清楚地看到出血区域（图中红框所示），且出血区域与周围组织分界清楚，脑组织的纹理结构清晰。当扫描剂量下降时，脑部CT图像中会出现噪声，信噪比降低，脑组织边缘模糊，内部一些细小结构会被噪声覆盖（图中红箭头所示）。此外，随着扫描剂量的降低，图像中的噪声越来越大，如在20%dose下，FBP重建出来的图像根本无法正确识别内部结构，出血区域也非常模糊。

2.2 不同重建算法生成的图像

图4、图5和图6分别展示了在3种低剂量（30%、25%和20%dose）扫描下7种重建算法获得的脑部CT图像。从实验结果可以看出，在3种低剂量下，FBP算法重建的图像质量都较差，图像中包含大量的噪声，出血区域与周围组织分界不清，脑组织中许多结构无法区分。除FBP算法外其他的重建算法对噪声都有不同程度的抑制。其中，PWLS-TV算法、NLM算法和BM3D算法虽然能够去除一部分噪声，但是图像中脑组织结构仍然比较模糊，特别是当噪声增大时，去除速度更慢，视觉效果更差。基于深度学习的算法（REDCNN、FBPConvNet和IRLNet）去噪效果优于传统的算法，不仅能够去除图像中大部分噪声，而且保留了脑组织结构特征。通过图4、图5 和图6 中REDCNN 算法和FBPConvNet算法重建的结果可以看出，这两种算法具有较强的去噪效果，但是它过度平滑了一些精细的结构。相比之下，IRLNet算法重建的图像与原始正常剂量图像的差异最小，基本上保留了所有细节，并抑制了大部分噪声。

2.3 不同重建算法下的脑出血检测结果

无论是在哪种剂量下扫描，深度学习重建算法（REDCNN、FBPConvNet 和IRLNet）生成的图像的检测性能都会优于传统算法（FBP、PWLS-TV、NLM 和BM3D）。例如在30%dose下（表1），深度学习的重建算法的正确率能达到90%以上，F1分数能达到70%以上，而传统的算法正确率90%以下，F1分数70%以下。特别的，IRLNet算法生成的图像的脑出血检测性能最好，接近正常剂量下的检测性能。此外，由于本实验是多标签分类任务，所以更关注对于正类的检测性能（召回率），通过3个表的结果可以看出，IRLNet算法对应的召回率高于其他重建算法（表1～3）。

1.2.5 FBPConvNet FBPConvNet 算法是一种结合了FBP重建与多分辨率的卷积神经网络的低剂量CT图像去噪算法。该算法的网络结构是基于U-Net的残差网络，通过将U-Net的多级分解和多通道滤波与迭代重建过程类比进行图像去噪。此外，该算法将FBP重建后的图像作为网络的输入，避免了卷积神经网络在不同坐标系之间的转换，同时也大大简化了卷积神经网络的学习过程。该算法在CT稀疏角度重建中取得了较好的结果，能够很好地保留图像的细节，在仿真数据和真实数据上都取得了良好的效果。

3 讨论

临床中，急性脑疾病特别是脑出血是危及生命的疾病，需要迅速发现和治疗。然而，通过脑部CT图像很难准确进行脑出血检测，即使是经验丰富的医生也容易误诊。近年来，深度学习技术在临床实践中表现出了明显的优势。研究人员试图利用深度学习方法从脑CT图像中学习脑出血自动检测模型。此外，随着脑CT扫描的广泛应用，其高剂量风险不容忽视。降低剂量扫描得到的CT图像往往存在噪声，从而导致深度学习模型预测出错误的结果。在实际应用中，通常会在检测前对脑CT图像进行去噪处理，但是不同重建算法的去噪效果对脑出血的检测性能的影响还未研究，所以本文主要探讨低剂量CT图像重建算法对脑出血检测性能的影响。

3)调节水资源极差收入，保障水电机组公平竞争，进一步放开发电侧进入市场。云南省内机组水电机组资源差异大、开发时间不同、调节能力不同，导致水电机组上网电价差异很大。目前云南的市场出清办法为价差对模式，主要原因是水电机组价格差异大，水电机组边际成本又低，如果采用统一出清的方式，出清价格会非常低，严重损害发电企业利益。当前平衡不同机组之间上网电价差异大的方式主要通过政府分配进行平衡。通过政府主导来平衡利益的方法在市场建设之初有助于平衡利益，但长期会损害市场主体的能动性，不利于形成良好的市场秩序。

通过图7的结果可以看出，在低剂量扫描下重建的脑CT图像会使脑出血检测模型性能降低，同时剂量越低，脑出血检测性能越差。本文推测，正如图3的结果，在低剂量扫描下，重建的脑CT图像中会含有噪声，这些噪声可能会覆盖出血区域，进而导致脑出血检测模型预测错误。此外，随着剂量的降低，重建的脑CT图像中噪声越来越大，如在20%dose下，脑CT图像完全被噪声覆盖，出血区域与周围组织结构界线不清，出血区域也非常模糊。所以剂量越低，检测性能越差。

通过表1～3和图7的实验结果可以看出，不同的重建算法对脑出血检测性能不同，其中传统的图像重建算法（FBP、PWLS-TV、NLM和BM3D）对应的脑出血检测性能最差，基于深度学习的图像重建算法（REDCNN、FBPConvNet 和IRLNet）对应的脑出血检测性能较好。特别是IRLNet算法，与正常剂量下脑出血检测性能差异小。本文根据图5（30%dose）的结果进行相应解释，传统的图像重建算法（FBP、PWLS-TV、NLM和BM3D）重建的图像存在脑组织结构细节模糊和图像失真的等情况。REDCNN和FBPConvNet算法具有很强的去噪能力，但是图像细节恢复能力太差，导致重建后的图像过于平滑。而IRLNet算法包括图像去噪和图像恢复两个部分，在去噪的同时能够更好恢复细节，所以重建的图像噪声水平低，图像分辨率高，与正常剂量的图像相似性最大，相较于其他算法在噪声抑制和细节恢复方面表现出更优越的性能。正因为IRLNet算法重建的图像质量最高，最接近正常剂量的图像，所以IRLNet算法对应的脑出血检测性能最好。

今年是国土资源系统实施“七五”法制宣传教育工作的中期阶段，嘉兴市国土资源局始终紧紧围绕浙江省自然资源厅要求的“法治国土”和市委、市政府要求的“法治嘉兴”两个法制建设要求，不断加强领导、强化措施、联系实际、突出重点、创新形式，积极通过多种形式开展法制宣传教育活动，扎实推进依法行政和普法工作。今年以来，嘉兴市国土资源局在市局机关开展“文化颂法治”活动，在局机关干部职工中广泛征集以法治宣传为内容的书法、绘画作品，在市局机关走廊内建立法治国土文化宣传栏，通过机关文化进行法治宣传，不断提高单位干部职工和广大人民群众国土资源保护意识和法制观念。

根据图7的结果还可以看出，对于IRLNet算法，在3种剂量下对应的脑出血检测性能差异不大。该实验结果可以证明IRLNet算法具有较好的鲁棒性，在不同剂量扫描下都能够重建出质量较好的图像（图4～6）。本文推测，由于IRLNet算法是通过迭代残差学习去除CT图像中噪声，对于不同的剂量，IRLNet算法可以通过迭代的过程去除不同程度的噪声，所以IRLNet算法鲁棒性是较好的。通过上述所有的结论可以得到提示：在实际脑出血检测任务中，通过选择最合适的剂量与重建算法对患者进行扫描，可以实现降低剂量的同时又保证脑出血检测性能。

本研究探讨了不同低剂量CT图像重建算法对脑出血检测性能的影响，具体是：在3种低剂量下，用7种CT图像重建算法重建图像，最后比较这些重建图像对脑出血检测模型性能的影响。本研究基于CQ500数据集和RSNA比赛数据集建立了一个医用脑部CT 图像数据集用于实验分析，包括正常剂量的图像和基于正常剂量仿真的3种低剂量（30%、25%和20% dose）图像。本研究分别从不同角度揭示了不同低剂量CT图像重建算法对脑出血检测性能影响的一系列原因，包括相同重建算法下剂量对模型性能的影响和在同一剂量下重建算法对模型性能的影响两个角度。这是一个有用的起点，对未来临床中脑出血检测剂量优化有一定的指导意义。

本文只在仿真的低剂量脑部CT数据上来评估不同重建算法的性能。未来可以考虑在真实CT图像数据上探讨不同重建算法对脑出血检测性能的影响；本实验都是在已有的重建算法下进行相关分析的，未来会考虑根据剂量设计重建算法用于脑出血检测，实现真正意义上的低剂量脑出血自动检测。