低剂量CT图像重建算法对脑出血检测性能的影响

Performance of low-dose CT image reconstruction for detecting intracerebral hemorrhage: selection of dose, algorithms and their combinations

符帅 , ^1, ^2, * 李明强 , ³ 边兆英 , ^1, ² and 马建华 ^1, ^2, ^*

符帅

Find articles by 符帅

李明强

琶洲实验室，广东广州 510515, Pazhou Lab, Guangzhou 510515, China

Find articles by 李明强

边兆英

Find articles by 边兆英

马建华

南方医科大学生物医学工程学院，广东广州 510515, School of Biomedical Engineering, Southern Medical University, Guangzhou 510515, China 广州市医用放射成像与检测技术重点实验室，广东广州 510515, Guangzhou Key Laboratory of Medical Radiation Imaging and Detection Technology, Guangzhou 510515, China 南方医科大学生物医学工程学院，广东广州 510515, School of Biomedical Engineering, Southern Medical University, Guangzhou 510515, China 广州市医用放射成像与检测技术重点实验室，广东广州 510515, Guangzhou Key Laboratory of Medical Radiation Imaging and Detection Technology, Guangzhou 510515, China 琶洲实验室，广东广州 510515, Pazhou Lab, Guangzhou 510515, China

其中， x 表示重建图像， p 表示探测器获取的投影数据， A 表示系统矩阵，Σ ^-1 =diag{ equation M1 } equation M2 表示噪声加权的对角函数， σ ² 为对测量数据的噪声方差估计 ^{[

31

]} ， R ( x )表示先验项， β 是控制先验项权值的超参数。在本文中，采用TV正则化，即 R ( x ) = ||∇ x || ₁ ，∇为差分算子。

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 ^{[

26

]} 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。

1.2.4. REDCNN

REDCNN算法 ^{[

27

]} 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 ^{[

32

]} 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。

1.2.5. FBPConvNet

FBPConvNet算法 ^{[

28

]} 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 ^{[

33

]} 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。

1.2.6. IRLNet

IRLNet算法 ^{[

29

]} 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）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。

（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

本文应用的脑出血检测模型是CNN-LSTM ^{[

10

]} ，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。

1.4. 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 ^{[

34

]} 。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。

An external file that holds a picture, illustration, etc. Object name is nfykdxxb-42-2-223-2.jpg

Open in a separate window

图 2

脑出血的5种类型，从左到右依次为，脑实质出血、脑室内出血、蛛网膜下出血、硬膜下出血、硬膜外出血

Five types of ICH (from left to right): IPH, IVH, SAH, SDH, and EDH.

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。

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。

An external file that holds a picture, illustration, etc. Object name is nfykdxxb-42-2-223-3.jpg

Open in a separate window

图 3

正常剂量图像和在30%、25%和20% dose下用FBP算法重建的图像，所有图像的显示范围是[080]HU

Normal dose images and low-dose images reconstructed by FBP at 30%, 25% and 20% dose levels. All the images are displayed in the window [0 80] HU.

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。

An external file that holds a picture, illustration, etc. Object name is nfykdxxb-42-2-223-4.jpg

Open in a separate window

图 4

正常剂量图像和在30%dose下不同重建算法生成的图像，所有图像的显示范围是[080]HU

Normal dose images and low-dose images reconstructed by different methods at a 30% dose level. All the images are displayed in the window [0 80] HU.

An external file that holds a picture, illustration, etc. Object name is nfykdxxb-42-2-223-5.jpg

Open in a separate window

图 5

正常剂量图像和在25% dose下不同重建算法生成的图像，所有图像的显示范围是[080]HU

Normal dose images and low-dose images reconstructed by different methods at a 25% dose level. All the images are displayed in the window [0 80] HU.

An external file that holds a picture, illustration, etc. Object name is nfykdxxb-42-2-223-6.jpg

Open in a separate window

图 6

正常剂量图像和在20%dose下不同重建算法生成的图像，所有图像的显示范围是[0 80]HU

Normal dose images and low-dose images reconstructed by different methods at a 20% dose level. All the images are displayed in the window [0 80] HU.

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 3 ）。

表 1

正常剂量图像和在30% dose下不同重建算法生成的图像的脑出血检测性能

Performance of normal dose images and low-dose images reconstructed by different methods at 30% dose level for detecting intracerebral hemorrhage (The best values are shown in bold face)

Method	Accuracy	Precision	Recall	F1 Score
Normal dose	93.96	78.86	74.42 76.57
FBP	82.21	81.68	47.56	60.12
PWLS-TV	86.80	79.84	56.04	65.85
NLM	89.37	74.06	64.44	68.92
BM3D	81.43	69.51	56.44	62.30
REDCNN	90.05	72.86	70.61	71.72
FBPConvNet	90.72	77.65	66.82	71.83
IRLNet	93.51	78.30	74.04	76.11

Open in a separate window

表 3

正常剂量图像和在20% dose下不同重建算法生成的图像的脑出血检测性能

Performance of normal dose images and low dose images reconstructed by different methods at 20% dose level for detecting intracerebral hemorrhage (The best values are shown in bold face)

Method	Accuracy	Precision	Recall	F1 Score
Normal dose	93.96	78.86	74.42 76.57
FBP	65.55	83.33	10.23	18.23
PWLS-TV	77.29	81.76	29.83	43.71
NLM	84.56	71.73	51.45	59.92
BM3D	77.52	73.46	34.31	46.78
REDCNN	85.00	64.90	66.19	65.54
FBPConvNet	87.70	74.70	59.61	66.30
IRLNet	93.06	76.62	73.71	75.14

Open in a separate window

表 2

正常剂量图像和在25% dose下不同重建算法生成的图像的脑出血检测性能

Performance of normal dose images and low-dose images reconstructed by different methods at 25% dose level for detecting intracerebral hemorrhage (The best values are shown in bold face)

Method	Accuracy	Precision	Recall	F1 Score
Normal dose	93.96	78.86	74.42 76.57
FBP	74.61	81.38	28.62	42.35
PWLS-TV	83.00	82.01	46.41	59.28
NLM	88.26	75.05	59.59	66.43
BM3D	82.21	72.08	49.70	58.83
REDCNN	88.44	70.09	64.28	67.06
FBPConvNet	89.60	77.72	64.29	70.37
IRLNet	93.51	78.06	74.00	75.97

Open in a separate window

图 7A ~ ~D 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。

An external file that holds a picture, illustration, etc. Object name is nfykdxxb-42-2-223-7.jpg

Open in a separate window

图 7

正常剂量图像和在低剂量下不同重建算法生成的图像的脑出血检测性能

Performance of normal dose images and low dose images reconstructed using different methods for detecting ICH.

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。

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 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。

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 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。

Biography

•

符帅，在读硕士研究生，020-61648282，E-mail: nc.ude.ums.i@5102iauhsuf

Funding Statement

国家自然科学基金（U1708261）；国家重点研发计划（2020YFA0712201）

Funding Statement

Supported by National Natural Science Foundation of China(U1708261)

References

1. Hemphill JC 3rd, Greenberg SM, Anderson CS, et al. Guidelines for the management of spontaneous intracerebral hemorrhage: a guideline for healthcare professionals from the American heart association/American stroke association. Stroke. 2015; 46 (7):2032–60. doi: 10.1161/STR.0000000000000069. [ PubMed ] [ CrossRef ] [ Google Scholar ]

2. Coles JP. Imaging after brain injury. Br J Anaesth. 2007; 99 (1):49–60. doi: 10.1093/bja/aem141. [ PubMed ] [ CrossRef ] [ Google Scholar ]

3. Elliott J, Smith M. The acute management of intracerebral hemorrhage: a clinical review. Anesth Analg. 2010; 110 (5):1419–27. doi: 10.1213/ANE.0b013e3181d568c8. [ PubMed ] [ CrossRef ] [ Google Scholar ]

4. Qureshi AI, Mendelow AD, Hanley DF. Intracerebral haemorrhage. Lancet. 2009; 373 (9675):1632–44. doi: 10.1016/S0140-6736(09)60371-8. [ PMC free article ] [ PubMed ] [ CrossRef ] [ Google Scholar ]

5. Fujitsu K, Muramoto M, Ikeda Y, et al. Indications for surgical treatment of putaminal hemorrhage. Comparative study based on serial CT and time-course analysis. J Neurosurg. 1990; 73 (4):518–25. doi: 10.3171/jns.1990.73.4.0518. [ PubMed ] [ CrossRef ] [ Google Scholar ]

6. Kuo WC, Häne C, Mukherjee P, et al. Expert-level detection of acute intracranial hemorrhage on head computed tomography using deep learning. PNAS. 2019; 116 (45):22737–45. doi: 10.1073/pnas.1908021116. [ PMC free article ] [ PubMed ] [ CrossRef ] [ Google Scholar ]

7. Ker J, Singh SP, Bai YQ, et al. Image thresholding improves 3-dimensional convolutional neural network diagnosis of different acute brain hemorrhages on computed tomography scans. Sensors (Basel) 2019; 19 (9):2167. doi: 10.3390/s19092167. [ PMC free article ] [ PubMed ] [ CrossRef ] [ Google Scholar ]

8. Lee JY, Kim JS, Kim TY, et al. Detection and classification of intracranial haemorrhage on CT images using a novel deep-learning algorithm. Sci Rep. 2020; 10 (1):20546. doi: 10.1038/s41598-020-77441-z. [ PMC free article ] [ PubMed ] [ CrossRef ] [ Google Scholar ]

9. Wang XY, Shen T, Yang S, et al. A deep learning algorithm for automatic detection and classification of acute intracranial hemorrhages in head CT scans. Neuroimage Clin. 2021; 32 :102785. doi: 10.1016/j.nicl.2021.102785. [ PMC free article ] [ PubMed ] [ CrossRef ] [ Google Scholar ]

10. Nguyen TN, Tran QD, Nguyen TN, et al. A CNN-LSTM architecture for detection of intracranial hemorrhage on CT scans[J]. ArXiv, 2020, https://doi.org/10.1101/2020.04.17.20070193.

11. Chilamkurthy S, Ghosh R, Tanamala S, et al. Development and validation of deep learning algorithms for detection of critical findings in head CT scans[J]. ArXiv, 2018, 1803.05854.

12. Li JQ, Fu GH, Chen YD, et al. A multi-label classification model for full slice brain computerised tomography image. BMC Bioinformatics. 2020; 21 (Suppl 6):200. doi: 10.1186/s12859-020-3503-0. [ PMC free article ] [ PubMed ] [ CrossRef ] [ Google Scholar ]

13. Berrington de González A, Darby S. Risk of cancer from diagnostic X-rays: estimates for the UK and 14 other countries. Lancet. 2004; 363 (9406):345–51. doi: 10.1016/S0140-6736(04)15433-0. [ PubMed ] [ CrossRef ] [ Google Scholar ]

14. Brenner DJ, Hall EJ. Computed tomography: an increasing source of radiation exposure. N Engl J Med. 2007; 357 (22):2277–84. doi: 10.1056/NEJMra072149. [ PubMed ] [ CrossRef ] [ Google Scholar ]

15. 邓耀宏, 朱曼曼, 李穗, et al. 基于系统仿真的数字乳腺层析成像性能分析南方医科大学学报 2021; 41 (6):898–908. [ PMC free article ] [ PubMed ] [ Google Scholar ]

16. Chaudhury S, Yamasaki T. Robustness of adaptive neural network optimization under training noise. IEEE Access. 2021; 9 :37039–53. doi: 10.1109/ACCESS.2021.3062990. [ CrossRef ] [ Google Scholar ]

17. Su JW, Vargas DV, Sakurai K. One pixel attack for fooling deep neural networks. IEEE Trans Evol Comput. 2019; 23 (5):828–41. doi: 10.1109/TEVC.2019.2890858. [ CrossRef ] [ Google Scholar ]

18. Chen A, Li C, Chen HY, et al. A comparison for anti-noise robustness of deep learning classification methods on a tiny object image dataset: from convolutional neural network to visual transformer and performer[J]. ArXiv, 2021: 106.01927.

19. Cao KL, Liu MC, Su H, et al. Analyzing the noise robustness of deep neural networks. IEEE Trans Vis Comput Graph. 2021; 27 (7):3289–304. doi: 10.1109/TVCG.2020.2969185. [ PubMed ] [ CrossRef ] [ Google Scholar ]

20. Pal B, Gupta D, Rashed-Al-Mahfuz M, et al. Vulnerability in deep transfer learning models to adversarial fast gradient sign attack for COVID-19 prediction from chest radiography images. Appl Sci. 2021; 11 (9):4233. doi: 10.3390/app11094233. [ CrossRef ] [ Google Scholar ]

21. Paul R, Schabath M, Gillies R, et al. Mitigating adversarial attacks on medical image understanding systems[C]//2020 IEEE 17th International Symposium on Biomedical Imaging. April 3-7, 2020, Iowa City, IA, USA. IEEE, 2020: 1517-21.

22. Shen CY, Tsai MY, Chen LY, et al. On the robustness of deep learning-based lung-nodule classification for CT images with respect to image noise. Phys Med Biol. 2020; 65 (24):245037. doi: 10.1088/1361-6560/abc812. [ PMC free article ] [ PubMed ] [ CrossRef ] [ Google Scholar ]

23. McCollough CH, Bruesewitz MR, Kofler JM Jr. CT dose reduction and dose management tools: overview of available options. Radiographics. 2006; 26 (2):503–12. doi: 10.1148/rg.262055138. [ PubMed ] [ CrossRef ] [ Google Scholar ]

24. Rudin LI, Osher S, Fatemi E. Nonlinear total variation based noise removal algorithms. Phys D Nonlinear Phenom. 1992; 60 doi: 10.1016/0167-2789(92)90242-F. [ CrossRef ] [ Google Scholar ]

25. Buades A, Coll B, Morel JM. Non-local means denoising. Image Process Line. 2011; 1 :208–12. doi: 10.5201/ipol.2011.bcm_nlm. [ CrossRef ] [ Google Scholar ]

26. Zhao TT, Hoffman J, Mcnitt-Gray M, et al. Ultra-low-dose CT image denoising using modified BM3D scheme tailored to data statistics. Med Phys. 2019; 46 (1):190–8. doi: 10.1002/mp.13252. [ PubMed ] [ CrossRef ] [ Google Scholar ]

27. Chen H, Zhang Y, Kalra MK, et al. Low-dose CT with a residual encoder-decoder convolutional neural network. IEEE Trans Med Imaging. 2017; 36 (12):2524–35. doi: 10.1109/TMI.2017.2715284. [ PMC free article ] [ PubMed ] [ CrossRef ] [ Google Scholar ]

28. Jin KH, McCann MT, Froustey E, et al. Deep convolutional neural network for inverse problems in imaging. IEEE Trans Image Process. 2017; 26 (9):4509–22. doi: 10.1109/TIP.2017.2713099. [ PubMed ] [ CrossRef ] [ Google Scholar ]

29. Wang YB, Liao YT, Zhang YK, et al. Iterative quality enhancement via residual-artifact learning networks for low-dose CT. Phys Med Biol. 2018; 63 (21):215004. doi: 10.1088/1361-6560/aae511. [ PubMed ] [ CrossRef ] [ Google Scholar ]

30. Zeng D, Huang J, Bian ZY, et al. A simple low-dose X-ray CT simulation from high-dose scan. IEEE Trans Nucl Sci. 2015; 62 (5):2226–33. doi: 10.1109/TNS.2015.2467219. [ PMC free article ] [ PubMed ] [ CrossRef ] [ Google Scholar ]

31. Ma JH, Liang ZR, Fan Y, et al. Variance analysis of X-ray CT sinograms in the presence of electronic noise background. Med Phys. 2012; 39 (7):4051–65. doi: 10.1118/1.4722751. [ PMC free article ] [ PubMed ] [ CrossRef ] [ Google Scholar ]

32. He KM, Zhang XY, Ren SQ, et al. Deep residual learning for image recognition[C]//2016 IEEE Conference on Computer Vision and Pattern Recognition. June 27-30, 2016, Las Vegas, NV, USA. IEEE, 2016: 770-8.

33. Ronneberger O, Fischer P, Brox T. U-net: convolutional networks for biomedical image segmentation. Cham: Springer International Publishing; 2015. pp. 234–41. [ Google Scholar ]

34. Chilamkurthy S, Ghosh R, Tanamala S, et al. Deep learning algorithms for detection of critical findings in head CT scans: a retrospective study. Lancet. 2018; 392 (10162):2388–96. doi: 10.1016/S0140-6736(18)31645-3. [ PubMed ] [ CrossRef ] [ Google Scholar ]

Articles from Journal of Southern Medical University are provided here courtesy of Editorial Department of Journal of Southern Medical University

低剂量CT图像重建算法对脑出血检测性能的影响

Performance of low-dose CT image reconstruction for detecting intracerebral hemorrhage: selection of dose, algorithms and their combinations

符 帅

李 明强

边 兆英

马 建华

1.2.2. NLM

1.2.3. BM3D

1.2.4. REDCNN

1.2.5. FBPConvNet

1.2.6. IRLNet

1.3. 脑出血检测模型

1.4. 实验数据

1.5. 评价指标

2. 结果

2.1. 仿真算法生成的低剂量图像

2.2. 不同重建算法生成的图像

2.3. 不同重建算法下的脑出血检测结果

表 1

表 3

表 2

3. 讨论

Biography

Funding Statement

Funding Statement

References

符帅

李明强

边兆英

马建华