在医学影像技术飞速发展的当下，计算机断层扫描（CT）凭借其快速成像和清晰解剖结构显示能力，成为临床诊断的重要工具。然而，传统CT重建算法在低辐射剂量下难以平衡图像质量与噪声控制，限制了技术的进一步优化。深度学习重建（DLR）算法的出现，以其独特的技术原理打破了这一僵局，为CT成像带来了革命性变化。本文将深入解析DLR算法的核心原理，系统阐述其技术优势，并全面分析当前面临的挑战，为临床应用和技术研发提供参考。
深度学习重建算法的核心原理
DLR算法是基于深度卷积神经网络（CNN）的新型图像重建技术，其核心逻辑是通过数据驱动的方式学习高低辐射剂量CT图像之间的映射关系，从而实现噪声抑制与图像质量优化。与传统滤波反投影（FBP）的解析重建模式、迭代重建（IR）的模型优化模式不同，DLR算法的核心流程围绕“数据训练-模型验证-临床应用”展开。
首先，算法需通过大量高低剂量配对数据进行训练。这些数据可通过两种方式获取：一是对体模或患者分别进行高低剂量扫描，获得真实配对图像；二是在高剂量图像中加入模拟噪声，合成低剂量图像，确保数据的一致性和丰富性。训练过程中，神经网络通过多层卷积、池化与反卷积操作，自动提取图像特征，学习从低质量低剂量图像到高质量高剂量图像的转换规律。
![]()
![]()
根据在图像形成过程中的作用阶段，DLR算法可分为四类：直接DLR直接替代传统重建方法，从投影数据直接生成图像；投影空间DLR针对CT投影数据进行噪声抑制和伪影校正；图像空间DLR在传统重建后对图像进行去噪优化，是目前应用最广泛的类型；混合DLR则结合投影数据处理与图像去噪，保留传统重建框架的同时融入深度学习优势。无论何种类型，其核心均是利用神经网络的非线性拟合能力，突破传统算法的物理模型限制，实现更灵活高效的图像优化。
深度学习重建算法的技术优势
（一）低剂量下的图像质量突破
DLR算法最显著的优势是在大幅降低辐射剂量的同时，保持甚至提升图像质量。传统FBP算法在低剂量条件下会因光子匮乏产生大量噪声和伪影，严重影响诊断；IR算法虽能减少噪声，但会导致图像出现“塑料感”，且可能丢失空间分辨率。而DLR算法通过深度训练，能够精准区分图像中的有效信号与噪声，在抑制噪声的同时，最大程度保留器官纹理、病变边缘等关键诊断信息。研究表明，DLR算法可使辐射剂量降低57%-65%，且图像噪声平均减少39%，在低剂量扫描中仍能清晰显示微小肝转移瘤、近等衰减胰腺癌等低对比度结构。
![]()
![]()
轴位增强 CT 图像显示一名研究参与者肝脏内的结直肠癌转移瘤（B 图箭头所示）。采用中等强度 TrueFidelity DLR 重建的图像（A 图），即使辐射剂量降低 66%，病变显影度仍略有提升，且与同一屏气状态下获取的标准剂量 FBP 图像（B 图）相比，该病变在标准剂量 FBP 图像中被阅片者遗漏，而在 DLR 图像中被成功识别。
（二）优化的噪声纹理与空间分辨率平衡
噪声功率谱（NPS）的合理性直接影响图像的临床可读性。传统IR算法会改变图像的噪声功率谱，导致高频噪声降低、图像显得不自然；而DLR算法通过学习真实高剂量图像的噪声特征，其生成的图像噪声纹理与FBP算法高度接近，更符合放射科医生的阅片习惯。同时，DLR算法有效避免了IR算法中常见的空间分辨率损失问题，即使在高去噪强度下，仍能维持高对比度结构的清晰度，确保微小病变和精细解剖结构（如血管分支、骨骼细节）的有效识别。
![]()
![]()
轴位增强 CT 图像显示肝被膜后方的微小转移瘤（A 图箭头所示）。初始采用三维自适应迭代剂量降低技术（AIDR 3D；佳能医疗系统）重建的图像噪声明显（A 图）；经 AiCE 重建后，信噪比（SNR）和对比噪声比（CNR）显著改善（B 图）；采用新型 PIQE 算法后，图像质量进一步提升，能更清晰地显示病变特征（如外壁增厚，C 图）；必要时可将图像矩阵从 512 提升至 1024 以提高空间分辨率，结合 PIQE 算法可实现更优成像效果（D 图）。
（三）广泛的临床适配性与流程优化
DLR算法具有极强的临床适配性，不仅适用于常规单能量CT（SECT），在双能量CT（DECT）中同样表现出色。通过抑制低管电压或低单能量重建带来的高噪声，DLR算法扩大了DECT的剂量优化空间，提升了碘浓度定量、物质分离等功能的准确性。此外，DLR算法的重建速度快，部分模型可实现近实时重建，解决了IR算法计算量大、耗时久的问题，优化了临床流程。同时，厂商无关的DLR方案（如PixelShine、ClariCT.AI）可兼容不同品牌的CT设备，无需依赖原始投影数据，仅通过DICOM图像即可实现去噪优化，进一步提升了技术的实用性。
（四）拓展的临床应用场景
除了常规腹部、胸部成像，DLR算法在特殊场景中也展现出独特价值。在儿科成像中，其低剂量优势可减少辐射对儿童的潜在危害；在需要反复随访的肿瘤患者中，能降低累积辐射剂量；在扫描过程中患者无法配合（如手臂无法抬起）的情况下，可通过噪声抑制改善图像质量。此外，DLR算法还能支持更薄的层厚重建，提升空间分辨率，为细微骨折、小气道病变等的诊断提供更有力的支持。
![]()
![]()
48 岁男性直肠癌肝转移患者的轴位增强双能量 CT（DECT）图像。采用 ADMIRE 技术（西门子医疗）将 DECT 数据重建为线性融合图像（A 图），融合系数为 0.6（80kVp 占 60%，150kVp 占 40%）；通过噪声优化虚拟单能量图像重建算法生成 40 千电子伏特（keV）虚拟单色图像（B 图）；再采用厂商无关 DLR 方法（ClariCT.AI）重建中等强度 40keV 虚拟单色图像（C 图）。线性融合图像（A 图）的窗宽 / 窗位调整为 300/40，虚拟单色图像（B 图）调整为 600/150。线性融合图像的病变对比增强效果较差（A 图）；40keV 虚拟单色图像的对比增强效果更优，但图像噪声较高（B 图）；而经 ClariCT.AI DLR 重建的图像，噪声显著降低，病变显影度明显提升（C 图）。
深度学习重建算法面临的挑战
（一）技术层面的固有局限
DLR算法的“黑箱”特性是其核心技术挑战之一。由于神经网络的决策过程难以解释，无法明确其在重建中对具体图像特征的处理逻辑，可能导致临床诊断中对图像信息的误判。同时，算法对输入数据的微小变化可能产生不成比例的响应，在低剂量扫描或训练数据质量不佳时，可能生成看似合理但虚假的图像细节，干扰诊断。此外，不同厂商的DLR算法在探测器材料、重建参数、能量箱配置等方面存在差异，导致图像外观和性能不一致，增加了跨机构诊断的难度。
![]()
![]()
轴位（A-C 图）和冠状位（D-F 图）增强 CT 图像显示，从 FBP（A、D 图）到混合迭代重建技术（B、E 图），再到 DLR AIIR 技术（C、F 图），低衰减肝病变的显影度逐步提升（C 图箭头所示）。AIIR DLR 技术显著改善了单纯肾囊肿的内部纹理（F 图圆圈所示），使其呈现明显的均一性，但可能对图像噪声纹理过度校正，导致肝实质纹理过度平滑。
（二）临床验证与标准化不足
目前DLR算法的临床验证仍存在诸多不足。体模研究的结果难以完全转化为临床实际表现，因为体模的纹理和衰减特性与人体器官存在差异，且CNN模型多基于患者数据训练，对体模的适配性有限。同时，缺乏统一的临床评估标准，现有研究多聚焦于特定病变（如肝转移瘤）或特定部位，对不同疾病、不同体型患者的适配性验证不足。此外，关于DLR强度设置的选择尚无统一指南，高强度去噪可能导致高频信息丢失，低强度去噪则无法充分发挥剂量优势，需根据临床任务灵活调整，增加了临床应用的复杂性。
（三）数据与成本制约
DLR算法的训练依赖海量高质量临床数据，但CT厂商对投影数据格式和物理噪声模型的保护，导致第三方研发难以获取核心数据，限制了技术的创新与优化。同时，DLR算法的部署需要高性能计算设备和存储资源，增加了医院的硬件投入成本。对于基层医疗机构而言，昂贵的设备升级费用和维护成本，使得DLR技术的可及性较低，加剧了医疗资源的不均衡。
（四）伪影与特殊场景适配问题
尽管DLR算法在噪声抑制方面表现出色，但在处理金属伪影、运动伪影等复杂情况时，效果仍不理想。现有研究对DLR算法的伪影缓解策略关注较少，相关技术储备滞后于临床需求。此外，在极端低剂量条件下，DLR算法对微小病变（如＜1厘米的肝转移瘤）的检测灵敏度可能下降，需要更高的辐射剂量支持，限制了其在超低剂量成像中的应用。
总结与展望
深度学习重建算法以其独特的数据驱动原理，在CT成像的低剂量优化、图像质量提升和临床适配性方面展现出不可替代的优势，为精准医疗提供了强大助力。然而，技术层面的“黑箱”局限、临床验证的标准化缺失、数据与成本的制约，以及特殊场景的适配不足，仍需通过技术创新和临床研究逐步解决。未来，随着算法可解释性的提升、多中心大样本验证的推进、开源数据平台的建立，DLR算法将不断完善，与光子计数CT等新型硬件技术的结合，将进一步拓展其应用场景，推动CT成像向“低剂量、高分辨率、智能化”方向迈进，为临床诊断提供更安全、精准、高效的支持。
本文来源于赵喜老师的影像专业公众号XI区
内容风趣幽默，欢迎关注
参考文献：Mileto A, Yu L, Revels JW, Kamel S, Shehata MA, Ibarra-Rovira JJ, Wong VK, Roman-Colon AM, Lee JM, Elsayes KM, Jensen CT. State-of-the-Art Deep Learning CT Reconstruction Algorithms in Abdominal Imaging. Radiographics. 2024 Dec;44(12):e240095. doi: 10.1148/rg.240095.仅供专业人士交流目的，不用于商业用途。
精彩推荐：
↓↓ 欢迎进入鼎湖学堂
