低劑量CT圖像重建算法對腦出血檢測性能的影響

計算機斷層掃描（CT）是檢測腦出血（ICH）的首選方式。臨床中，據(jù)流行病學統(tǒng)計，有近一半的腦出血患者在24 h內(nèi)發(fā)生死亡，所以需要迅速、及時的評估和處理。在實際中，隨著腦部CT掃描的廣泛應用，醫(yī)生需要花費大量時間來診斷CT圖像，診斷效率有待進一步提高。此外，腦出血種類較多，出血區(qū)域也很容易與鈣化或偽影混淆，對于經(jīng)驗豐富的放射科醫(yī)生，腦出血及其亞型的準確診斷極具有挑戰(zhàn)性。因此，快速精準檢測腦出血具有重要臨床意義，其可縮短腦出血診斷時間，提高診斷精度，進而快速采取干預治療措施，最終改善臨床結(jié)果。

近年來，基于大數(shù)據(jù)和深度學習的腦出血檢測技術(shù)被廣泛提出，且表現(xiàn)出優(yōu)異的潛力，其通過設(shè)計深度學習網(wǎng)絡(luò)和算法挖掘腦部CT影像大數(shù)據(jù)中數(shù)據(jù)表征，以實現(xiàn)ICH準確檢測。例如，Lee等提出了一種基于人工神經(jīng)網(wǎng)絡(luò)的ICH檢測算法，用于檢測ICH及其亞型。實驗結(jié)果表明，該算法獲得了敏感性值為0.78，特異性值為0.80。Wang等提出了基于卷積神經(jīng)網(wǎng)絡(luò)和循環(huán)神經(jīng)網(wǎng)絡(luò)的ICH檢測算法，能較好的模擬放射科醫(yī)生的診斷過程，以實現(xiàn)對急性腦出血的檢測和亞型的分類。該模型在2019-RSNA腦出血挑戰(zhàn)賽數(shù)據(jù)集上對腦出血分類的AUC達到0.988，對腦出血5種亞型分類的AUC分別為0.984、0.992、0.996、0.985和0.983，達到了放射科醫(yī)生的水平。Chilamkurthy等分別對腦出血、中線移位和顱骨骨折三個子任務(wù)訓練了單獨的深度學習模型，該模型在Qure25k數(shù)據(jù)集和CQ500數(shù)據(jù)集上對腦出血以及亞型分類的AUC都達到了90%，實現(xiàn)了較好的診斷性能。Li等提出了一個切片依賴學習模型，通過從腦CT圖像中學習圖像特征，并從不同的切片之間的相關(guān)性來預測異常。該模型在CQ500數(shù)據(jù)集上實現(xiàn)了0.6757的準確率，0.6104的召回率，0.6412的F1分數(shù)，AUC達到了0.8934。這些研究工作表明，未來深度學習在腦出血檢測的臨床應用中具有廣闊的前景。

盡管基于深度學習網(wǎng)絡(luò)的腦部CT圖像ICH檢測算法的診斷性能較常規(guī)技術(shù)有一定提升，但其魯棒性依然值得探究，尤其是在低劑量CT成像情況下。由于劑量輻射危害，臨床中常采用降低管電流或管電壓進行低劑量CT成像，但此策略容易導致重建CT圖像中引入噪聲和偽影。噪聲和偽影會降低圖像質(zhì)量，繼而影響后續(xù)圖像分析處理（如病灶檢測，分割和分類等），特別是基于深度學習網(wǎng)絡(luò)的圖像分析算法。目前在自然圖像中關(guān)于噪聲對深度學習模型影響的研究較多，這些研究將對抗噪聲添加到輸入圖像中測試模型性能的變化。對抗噪聲是一種通過人為設(shè)計的優(yōu)化算法產(chǎn)生的擾動，主要用于分析深度學習模型中的漏洞以及提高模型的魯棒性。在CT圖像領(lǐng)域，這些噪聲與自然圖像中生成擾動的方法相似，關(guān)注的是模型在實際應用中的系統(tǒng)安全性問題。而本研究中噪聲是基于CT系統(tǒng)建模得到的噪聲，是低劑量成像下CT圖像中真實存在的噪聲。雖然低劑量重建算法可重建出高質(zhì)量CT圖像以降低噪聲對深度學習模型的影響，但這些算法的成像結(jié)果對模型檢測性能的影響尚不清楚。因此，本工作主要開展低劑量CT成像算法對基于深度學習網(wǎng)絡(luò)的腦部CT圖像ICH檢測算法性能影響研究。

為了探究上述問題，本研究首先獲取了正常劑量（定義為100%dose）的腦CT圖像，并對該數(shù)據(jù)進行了3種低劑量仿真（30%、25%和20%dose）。用7 種具有代表性的CT圖像重建算法對這些低劑量數(shù)據(jù)進行圖像重建，由于重建算法對噪聲抑制能力不同，所以重建圖像包含不同程度的噪聲。本研究采用基于深度學習方法的模型對正常劑量圖像和7種重建算法得到的圖像進行腦出血檢測。通過與正常劑量圖像的腦出血檢測結(jié)果進行比較，評估不同重建算法對腦出血檢測性能的影響。

1 方法

圖1展示了腦出血檢測的工作流程，主要包括低劑量仿真、圖像重建和ICH檢測3個步驟。具體地，首先對原始正常劑量的腦CT圖像進行仿真獲得低劑量數(shù)據(jù)。在訓練階段，應用高低劑量配對數(shù)據(jù)進行深度學習網(wǎng)絡(luò)訓練，獲得重建算法模型。在測試階段，分別用不同的CT圖像重建算法對低劑量數(shù)據(jù)進行重建。本文采用了7種的重建算法，包括濾波反投影算法（FBP）、懲罰加權(quán)最小二乘的全變分（PWLS-TV）、非局部均值濾波（NLM）、3維塊匹配（BM3D）、殘差編碼解碼卷積神經(jīng)網(wǎng)絡(luò)（REDCNN）、FBP卷積神經(jīng)網(wǎng)絡(luò)（FBPConvNet）和圖像恢復迭代殘差卷積網(wǎng)絡(luò)（IRLNet）。然后，將不同算法重建的圖像和正常劑量的圖像輸入到腦出血檢測模型（CNN-LSTM）中進行腦出血自動檢測。最后，通過與正常劑量圖像的腦出血檢測性能進行比較，評估了不同重建算法對腦出血檢測性能的影響。、

1.1 低劑量CT仿真

文獻提出了一種簡單的基于原始高劑量掃描的正弦圖數(shù)據(jù)的低劑量CT仿真模擬策略。由于低劑量CT圖像在投影域?qū)?shù)變換前的噪聲服從泊松分布和高斯分布，該方法通過在正常劑量圖像的正弦圖數(shù)據(jù)中加入了獨立泊松噪聲和高斯噪聲獲得低劑量數(shù)據(jù)。具體仿真過程如下：

女子被土狼襲擊之后，青辰曾近距離地觀察過那傷口，很深。那時與現(xiàn)在只隔著六七個時辰，但現(xiàn)在的傷口，卻似乎比那時要淺著許多。青辰望向其他人，其他人似乎并沒有注意到這種異象。

1.2 圖像重建算法

四川工商學院中興通信學院從2016級起，就采用“家校企生”四方機制聯(lián)系制度，即建立一種家長、學校、學生與企業(yè)的四方聯(lián)動機制，形成互動機制，將學生家長橋接起來，共同幫助學生從學生到準職業(yè)人、準職業(yè)人到職業(yè)人的過渡，幫助學生正確認識自己，督促自己成長，朝正確清晰的道路上發(fā)展。

隨著我國對高等教育的大力投入，越來越多的人有機會進入高校學習，每年都有大量的畢業(yè)生從學校步入社會。就業(yè)大軍日益龐大，教育部表示，2018年全國約有820萬大學畢業(yè)生，就業(yè)競爭越來越激烈，就業(yè)壓力越來越大，就業(yè)形勢越來越嚴峻。與此同時，企業(yè)招人難現(xiàn)象也越來越普遍。在人力市場供需兩旺的表面下，如何解決大學生“就業(yè)難”，企業(yè)“招聘難”的“兩難”問題成為社會熱點問題，職前培訓作為目前解決此熱點問題的途徑之一，受到社會各界的廣泛關(guān)注。

電路功耗包括動態(tài)功耗和靜態(tài)功耗[13]，基于零延遲假設(shè)，動態(tài)功耗常使用電路開關(guān)活動進行評價[4～7]，而靜態(tài)功耗常采用電路泄漏電流進行評價[8,13,14].假設(shè)電路包括g個邏輯門，第k個邏輯門及其輸出信號使用gk表示，由文獻[6]可以得到如式(4)所示的電路開關(guān)活動計算公式，也稱其為動態(tài)功耗計算公式.假設(shè)邏輯門gk的輸入數(shù)為Ik，其第l個輸入信號使用sk,l表示，由文獻[14]可以得到如式(5)所示的電路泄漏電流計算公式，也稱其為靜態(tài)功耗計算公式.

1.2.2 NLM NLM算法作為傳統(tǒng)低劑量CT圖像后處理代表性算法，其思想是對同一幅圖像中具有相同性質(zhì)的區(qū)域進行分類并加權(quán)平均更新像素，獲得去噪后的圖像。具體地，NLM 算法以參考圖像塊為中心，然后在整幅圖像中尋找相似區(qū)域，最后對這些區(qū)域加權(quán)求平均，能夠很好地去除圖像中存在的高斯噪聲。

1.2.3 BM3D BM3D算法是目前公認效果最優(yōu)的圖像恢復算法之一，該算法主要用到了非局部塊匹配的思想，具體為通過將目標圖像塊與相鄰圖像塊進行匹配，將若干相似的圖像塊整合為一個三維矩陣，在三維空間進行濾波處理，再將結(jié)果反變換融合到二維，形成去噪后的圖像。該算法去噪效果顯著，可以得到較高的峰值信噪比。

（1）獲得初始殘差圖像：對干凈圖像-噪聲圖像對進行訓練得到去噪器，去噪后的圖像和噪聲圖像相減獲得初始殘差圖像，初始的殘差圖像幾乎包含了所有的噪聲和偽影。

圖7A～D分別表示正常劑量圖像和不同重建算法在3種低劑量下生成的圖像中的腦出血檢測的正確率、精準度、召回率和F1分數(shù)。通過圖7可以清楚地看出，隨著掃描劑量的降低，腦出血檢測的性能逐漸下降。其中，F(xiàn)BP 重建算法生成的圖像腦出血檢測效果最差，IRLNet重建算法生成的圖像腦出血檢測效果最好，基本上能達到和正常劑量一樣的檢測效果。

本文應用的腦出血檢測模型是CNN-LSTM，該模型通過將卷積神經(jīng)網(wǎng)絡(luò)（CNN）與長短期記憶機制（LSTM）相結(jié)合，對腦出血及其亞型進行預測。其中，CNN主要用于腦CT圖像的特征提取，而LSTM負責將病人所有切片的特征連接起來，最后綜合考慮該病人所有切片的特征輸出預測結(jié)果。實驗結(jié)果顯示該模型的加權(quán)對數(shù)損失為0.0522，與RSNA挑戰(zhàn)排行榜上的前3%的性能相當。所以本研究使用預訓練好的CNNLSTM模型來測試不同重建算法重建后的腦CT圖像。值得注意的是，理論上CNN-LSTM模型可以用其他腦出血檢測方法替代。

1.2.4 REDCNN REDCNN算法作為基于深度學習網(wǎng)絡(luò)的低劑量CT圖像后處理代表性算法，其是一個結(jié)合了自編碼器、反卷積網(wǎng)絡(luò)和短連接的殘差網(wǎng)絡(luò)。REDCNN算法由10個網(wǎng)絡(luò)層組成，包括5個卷積層和5個反卷積層。卷積層可以看作是濾波器進行圖像去噪，但濾波可能會導致圖像細節(jié)上的損失，而反卷積層能夠?qū)D像進行恢復。因此，對稱使用卷積層和反卷積層進行編碼和解碼就能夠在去噪的同時更好地保留圖像細節(jié)。REDCNN算法采用了結(jié)合短連接的殘差學習方法進行訓練，圖像噪聲和偽影從低到高被逐級抑制，結(jié)構(gòu)細節(jié)也能夠很好地保留下來，更有利于深層網(wǎng)絡(luò)的訓練。

（2）估計殘差圖像高頻細節(jié)：對初始殘差圖像進行二維離散小波分析，由于低頻波段有一些重要的圖像特征，IRLNet算法利用小波域的高頻細節(jié)來獲得殘差圖像中的偽影信息。

（3）圖像細節(jié)恢復：由于圖像在去噪的過程丟失了一些細節(jié)，IRLNet算法對經(jīng)過小波處理的圖像進行了圖像恢復工作。該過程通過小波圖像-干凈圖像對訓練殘差網(wǎng)絡(luò)對圖像進行進一步的恢復。

1.3 腦出血檢測模型

1.2.6 IRLNet IRLNet算法是由Wang等人提出的一種迭代殘差偽影學習算法，該算法能夠提高傳統(tǒng)殘差網(wǎng)絡(luò)的重建性能，在降低噪聲和偽影、提高低對比度目標的可檢測性和保持重建圖像的分辨率等方面具有很好的效果。該算法分為3個步驟：獲得初始殘差圖像、估計殘差圖像高頻細節(jié)和圖像細節(jié)恢復。

1.4 實驗數(shù)據(jù)

本研究基于2個獨立的醫(yī)學數(shù)據(jù)集，建立了一個醫(yī)用CT圖像腦出血檢測數(shù)據(jù)集。數(shù)據(jù)集1來自于一個開源的多中心的腦部數(shù)據(jù)集CQ500數(shù)據(jù)集。該數(shù)據(jù)集提供了491 名患者的193,317 張靜態(tài)腦部CT 掃描切片。這些圖像由三位分別有8年、12年和20年的頭顱CT解譯經(jīng)驗的放射科醫(yī)生獨立標注，包括有無腦出血，如果有，判斷其類型：腦實質(zhì)出血（IPH）、腦室內(nèi)出血（IVH）、蛛網(wǎng)膜下出血（SAH）、硬膜下出血（SDH）、硬膜外出血（EDH）。其次，判斷中線位移和質(zhì)量效應是否存在。最后判斷骨折是否存在。在標注過程中，如果三位放射科醫(yī)生對某一項研究結(jié)果沒有達成一致意見，則以多數(shù)的解釋作為最終診斷。本實驗主要研究腦出血及其亞型的自動檢測，不考慮中線偏移和骨折。本數(shù)據(jù)集包括150例病人腦出血CT圖像。數(shù)據(jù)集2來自于北美放射學會（RSNA）舉辦的ICH檢測比賽數(shù)據(jù)集（https://www.kaggle.com/c/rsna-intracranial-hemorrhage-detection.）。該數(shù)據(jù)集對病人的每一個層面都進行了腦出血類型的標注。本數(shù)據(jù)集包括50例病人腦出血CT圖像。本實驗從數(shù)據(jù)集1中選擇了50例作為訓練數(shù)據(jù)，用于訓練基于深度學習的重建算法，剩余的150例作為測試數(shù)據(jù)，用于測試不同重建算法的腦出血檢測性能。測試數(shù)據(jù)包括105例IPH、23例IVH、32例SAH、42例SDH和3例EDH，具體如圖2所示。

目前，已落地的越商回歸項目亮點紛呈。如由蘇州越商、中翔集團董事長郭獻斌投資建設(shè)的紹興溫泉城項目，已累計投入7.31億元，其中2011年度投入2億元的一期工程溫泉接待中心、景區(qū)生態(tài)停車場等已經(jīng)開放營業(yè)，至今接待游客10萬人次，在省內(nèi)外已產(chǎn)生了較大影響。續(xù)建的溫泉旅游度假區(qū)紹興溫泉城二期投資3億元，將興建溫泉度假酒店、圍棋主題會館和特色商業(yè)街。新昌籍在滬越商張永江在家鄉(xiāng)新昌投資8.5億元的浙江馨馨家園養(yǎng)老項目將于2012年年底動工，預計2016年7月建成。

1.5 評價指標

為評估不同重建算法對低劑量CT腦出血檢測性能的影響，本研究選取了4個經(jīng)典的評價指標，包括正確率、精準率、召回率和F1分數(shù)，表達式如下：

其中TP、FN、TN、FP分別為真陽性數(shù)、假陰性數(shù)、真陰性數(shù)和假陽性數(shù)。值得注意的是，由于本實驗是多標簽分類問題，正確率、精準度和召回率是先計算每個二分類的正確率、精準度和召回率，然后求他們的平均值即為模型對應的正確率、精準度和召回率。對于模型對應的F1分數(shù)，本實驗使用的是模型對應的精準度和召回率進行計算的。

定義7 潛在制造能力(MCP)指在原有生產(chǎn)資料基礎(chǔ)及約束條件下，通過一定技術(shù)手段及管理優(yōu)化等方法所能夠達到的制造能力水平。

1.2.1 PWLS-TV PWLS-TV算法是一種將帶懲罰函數(shù)的最小加權(quán)二乘算法（PWLS）標準與總變分（TV）相結(jié)合的迭代重建算法，其表達式為：

電力系統(tǒng)在人們生活中扮演不可或缺的角色，對人們的生活有重要的影響，人們的生活對電力系統(tǒng)運行的安全性要求也越來越高。繼電保護作為保證電網(wǎng)系統(tǒng)安全可靠運行的重要組成部件，在電力系統(tǒng)的運行中起著重要的作用。當電力系統(tǒng)用出現(xiàn)故障時，繼電保護裝置能準確并快速地動作并驅(qū)動離故障元件最近的斷路器跳閘，從而降低了故障給電力系統(tǒng)帶來的危害，提高電力系統(tǒng)運行的安全穩(wěn)定性。面對火電廠人為繼電保護不正確動作事故的發(fā)生，應該采取積極有效的預防措施，降低人為因素對電力系統(tǒng)運行的安全性的影響。

2 結(jié)果

2.1 仿真算法生成的低劑量圖像

圖3 展示了正常劑量圖像和在30%、25%和20%dose下用FBP算法重建的圖像，所有的圖像都在腦窗（［0 80］HU）下顯示。圖3的第1列表示兩個病例在正常劑量下的圖像，第2列、第3列和第4列分別表示在30%、25%和20% dose下用FBP算法重建的圖像。通過圖3的結(jié)果可以看出，在正常劑量下，腦部CT圖像質(zhì)量較好，能夠清楚地看到出血區(qū)域（圖中紅框所示），且出血區(qū)域與周圍組織分界清楚，腦組織的紋理結(jié)構(gòu)清晰。當掃描劑量下降時，腦部CT圖像中會出現(xiàn)噪聲，信噪比降低，腦組織邊緣模糊，內(nèi)部一些細小結(jié)構(gòu)會被噪聲覆蓋（圖中紅箭頭所示）。此外，隨著掃描劑量的降低，圖像中的噪聲越來越大，如在20%dose下，F(xiàn)BP重建出來的圖像根本無法正確識別內(nèi)部結(jié)構(gòu)，出血區(qū)域也非常模糊。

2.2 不同重建算法生成的圖像

圖4、圖5和圖6分別展示了在3種低劑量（30%、25%和20%dose）掃描下7種重建算法獲得的腦部CT圖像。從實驗結(jié)果可以看出，在3種低劑量下，F(xiàn)BP算法重建的圖像質(zhì)量都較差，圖像中包含大量的噪聲，出血區(qū)域與周圍組織分界不清，腦組織中許多結(jié)構(gòu)無法區(qū)分。除FBP算法外其他的重建算法對噪聲都有不同程度的抑制。其中，PWLS-TV算法、NLM算法和BM3D算法雖然能夠去除一部分噪聲，但是圖像中腦組織結(jié)構(gòu)仍然比較模糊，特別是當噪聲增大時，去除速度更慢，視覺效果更差?；谏疃葘W習的算法（REDCNN、FBPConvNet和IRLNet）去噪效果優(yōu)于傳統(tǒng)的算法，不僅能夠去除圖像中大部分噪聲，而且保留了腦組織結(jié)構(gòu)特征。通過圖4、圖5 和圖6 中REDCNN 算法和FBPConvNet算法重建的結(jié)果可以看出，這兩種算法具有較強的去噪效果，但是它過度平滑了一些精細的結(jié)構(gòu)。相比之下，IRLNet算法重建的圖像與原始正常劑量圖像的差異最小，基本上保留了所有細節(jié)，并抑制了大部分噪聲。

2.3 不同重建算法下的腦出血檢測結(jié)果

無論是在哪種劑量下掃描，深度學習重建算法（REDCNN、FBPConvNet 和IRLNet）生成的圖像的檢測性能都會優(yōu)于傳統(tǒng)算法（FBP、PWLS-TV、NLM 和BM3D）。例如在30%dose下（表1），深度學習的重建算法的正確率能達到90%以上，F(xiàn)1分數(shù)能達到70%以上，而傳統(tǒng)的算法正確率90%以下，F(xiàn)1分數(shù)70%以下。特別的，IRLNet算法生成的圖像的腦出血檢測性能最好，接近正常劑量下的檢測性能。此外，由于本實驗是多標簽分類任務(wù)，所以更關(guān)注對于正類的檢測性能（召回率），通過3個表的結(jié)果可以看出，IRLNet算法對應的召回率高于其他重建算法（表1～3）。

1.2.5 FBPConvNet FBPConvNet 算法是一種結(jié)合了FBP重建與多分辨率的卷積神經(jīng)網(wǎng)絡(luò)的低劑量CT圖像去噪算法。該算法的網(wǎng)絡(luò)結(jié)構(gòu)是基于U-Net的殘差網(wǎng)絡(luò)，通過將U-Net的多級分解和多通道濾波與迭代重建過程類比進行圖像去噪。此外，該算法將FBP重建后的圖像作為網(wǎng)絡(luò)的輸入，避免了卷積神經(jīng)網(wǎng)絡(luò)在不同坐標系之間的轉(zhuǎn)換，同時也大大簡化了卷積神經(jīng)網(wǎng)絡(luò)的學習過程。該算法在CT稀疏角度重建中取得了較好的結(jié)果，能夠很好地保留圖像的細節(jié)，在仿真數(shù)據(jù)和真實數(shù)據(jù)上都取得了良好的效果。

3 討論

臨床中，急性腦疾病特別是腦出血是危及生命的疾病，需要迅速發(fā)現(xiàn)和治療。然而，通過腦部CT圖像很難準確進行腦出血檢測，即使是經(jīng)驗豐富的醫(yī)生也容易誤診。近年來，深度學習技術(shù)在臨床實踐中表現(xiàn)出了明顯的優(yōu)勢。研究人員試圖利用深度學習方法從腦CT圖像中學習腦出血自動檢測模型。此外，隨著腦CT掃描的廣泛應用，其高劑量風險不容忽視。降低劑量掃描得到的CT圖像往往存在噪聲，從而導致深度學習模型預測出錯誤的結(jié)果。在實際應用中，通常會在檢測前對腦CT圖像進行去噪處理，但是不同重建算法的去噪效果對腦出血的檢測性能的影響還未研究，所以本文主要探討低劑量CT圖像重建算法對腦出血檢測性能的影響。

3)調(diào)節(jié)水資源極差收入，保障水電機組公平競爭，進一步放開發(fā)電側(cè)進入市場。云南省內(nèi)機組水電機組資源差異大、開發(fā)時間不同、調(diào)節(jié)能力不同，導致水電機組上網(wǎng)電價差異很大。目前云南的市場出清辦法為價差對模式，主要原因是水電機組價格差異大，水電機組邊際成本又低，如果采用統(tǒng)一出清的方式，出清價格會非常低，嚴重損害發(fā)電企業(yè)利益。當前平衡不同機組之間上網(wǎng)電價差異大的方式主要通過政府分配進行平衡。通過政府主導來平衡利益的方法在市場建設(shè)之初有助于平衡利益，但長期會損害市場主體的能動性，不利于形成良好的市場秩序。

通過圖7的結(jié)果可以看出，在低劑量掃描下重建的腦CT圖像會使腦出血檢測模型性能降低，同時劑量越低，腦出血檢測性能越差。本文推測，正如圖3的結(jié)果，在低劑量掃描下，重建的腦CT圖像中會含有噪聲，這些噪聲可能會覆蓋出血區(qū)域，進而導致腦出血檢測模型預測錯誤。此外，隨著劑量的降低，重建的腦CT圖像中噪聲越來越大，如在20%dose下，腦CT圖像完全被噪聲覆蓋，出血區(qū)域與周圍組織結(jié)構(gòu)界線不清，出血區(qū)域也非常模糊。所以劑量越低，檢測性能越差。

通過表1～3和圖7的實驗結(jié)果可以看出，不同的重建算法對腦出血檢測性能不同，其中傳統(tǒng)的圖像重建算法（FBP、PWLS-TV、NLM和BM3D）對應的腦出血檢測性能最差，基于深度學習的圖像重建算法（REDCNN、FBPConvNet 和IRLNet）對應的腦出血檢測性能較好。特別是IRLNet算法，與正常劑量下腦出血檢測性能差異小。本文根據(jù)圖5（30%dose）的結(jié)果進行相應解釋，傳統(tǒng)的圖像重建算法（FBP、PWLS-TV、NLM和BM3D）重建的圖像存在腦組織結(jié)構(gòu)細節(jié)模糊和圖像失真的等情況。REDCNN和FBPConvNet算法具有很強的去噪能力，但是圖像細節(jié)恢復能力太差，導致重建后的圖像過于平滑。而IRLNet算法包括圖像去噪和圖像恢復兩個部分，在去噪的同時能夠更好恢復細節(jié)，所以重建的圖像噪聲水平低，圖像分辨率高，與正常劑量的圖像相似性最大，相較于其他算法在噪聲抑制和細節(jié)恢復方面表現(xiàn)出更優(yōu)越的性能。正因為IRLNet算法重建的圖像質(zhì)量最高，最接近正常劑量的圖像，所以IRLNet算法對應的腦出血檢測性能最好。

今年是國土資源系統(tǒng)實施“七五”法制宣傳教育工作的中期階段，嘉興市國土資源局始終緊緊圍繞浙江省自然資源廳要求的“法治國土”和市委、市政府要求的“法治嘉興”兩個法制建設(shè)要求，不斷加強領(lǐng)導、強化措施、聯(lián)系實際、突出重點、創(chuàng)新形式，積極通過多種形式開展法制宣傳教育活動，扎實推進依法行政和普法工作。今年以來，嘉興市國土資源局在市局機關(guān)開展“文化頌法治”活動，在局機關(guān)干部職工中廣泛征集以法治宣傳為內(nèi)容的書法、繪畫作品，在市局機關(guān)走廊內(nèi)建立法治國土文化宣傳欄，通過機關(guān)文化進行法治宣傳，不斷提高單位干部職工和廣大人民群眾國土資源保護意識和法制觀念。

根據(jù)圖7的結(jié)果還可以看出，對于IRLNet算法，在3種劑量下對應的腦出血檢測性能差異不大。該實驗結(jié)果可以證明IRLNet算法具有較好的魯棒性，在不同劑量掃描下都能夠重建出質(zhì)量較好的圖像（圖4～6）。本文推測，由于IRLNet算法是通過迭代殘差學習去除CT圖像中噪聲，對于不同的劑量，IRLNet算法可以通過迭代的過程去除不同程度的噪聲，所以IRLNet算法魯棒性是較好的。通過上述所有的結(jié)論可以得到提示：在實際腦出血檢測任務(wù)中，通過選擇最合適的劑量與重建算法對患者進行掃描，可以實現(xiàn)降低劑量的同時又保證腦出血檢測性能。

本研究探討了不同低劑量CT圖像重建算法對腦出血檢測性能的影響，具體是：在3種低劑量下，用7種CT圖像重建算法重建圖像，最后比較這些重建圖像對腦出血檢測模型性能的影響。本研究基于CQ500數(shù)據(jù)集和RSNA比賽數(shù)據(jù)集建立了一個醫(yī)用腦部CT 圖像數(shù)據(jù)集用于實驗分析，包括正常劑量的圖像和基于正常劑量仿真的3種低劑量（30%、25%和20% dose）圖像。本研究分別從不同角度揭示了不同低劑量CT圖像重建算法對腦出血檢測性能影響的一系列原因，包括相同重建算法下劑量對模型性能的影響和在同一劑量下重建算法對模型性能的影響兩個角度。這是一個有用的起點，對未來臨床中腦出血檢測劑量優(yōu)化有一定的指導意義。

本文只在仿真的低劑量腦部CT數(shù)據(jù)上來評估不同重建算法的性能。未來可以考慮在真實CT圖像數(shù)據(jù)上探討不同重建算法對腦出血檢測性能的影響；本實驗都是在已有的重建算法下進行相關(guān)分析的，未來會考慮根據(jù)劑量設(shè)計重建算法用于腦出血檢測，實現(xiàn)真正意義上的低劑量腦出血自動檢測。