第17章：基于人工智能的辐射剂量优化（Radiation Dose Optimization: The Role of Artificial Intelligence）

Deep Learning Reconstruction for Cardiac CT（心脏 CT 的深度学习重建）

源文以 DL 重建在对比增强 CT 中的表现切入——它较自适应统计 IR 在整体图像质量、病灶诊断信心、伪影、噪声与图像纹理上均更优。但 DL 重建随强度提升会引入图像模糊，因此其强度的选择必须依据临床任务，特别是在肿瘤等病灶先验概率较高的场景下需要谨慎 [29]。一项近期研究 [30] 测试了三种 DL 重建强度与高融合因子（80% 与 100%）IR 的对比，发现与高融合因子 IR 类似，过强的 DL 重建会带来更明显的图像模糊，但 DL 重建所得图像始终比 IR 更锐利。

即便在降噪方面表现出色，多数 DNN 在训练时仍以逐体素最小化参考体素与预测体素间的均方误差为目标，因此生成的图像仍可能受到边缘过度平滑、细节丢失的影响。为改善这一任务上的表现，部分研究者开发了基于生成对抗网络（GAN）的降噪算法。GAN 由生成网络与判别网络两个耦合并同步训练的神经网络构成：生成网络学习产生低剂量真实感图像，判别网络则学习区分真实图像与生成图像，迫使生成网络给出更接近常规剂量数据集的估计。Wolterink 等 [31] 将 GAN 应用于人体模型与非增强心脏 CT（用于冠脉钙化积分），实现了大幅降噪并获得与参考常规剂量数据集相似的噪声模式；该研究还证明 DNN 即使在没有逐体素空间对齐的训练图像时也能学习降噪——这在心脏成像中很常见。每一类算法的损失函数对输出图像都有重大影响——均方误差（代表低噪声图像与降噪图像像素值之差的平方）虽被广泛使用，但并非对所有临床任务的图像生成都适用，目前并不存在适用于所有类型数据的万能损失函数，最佳损失函数的选择本身也是持续研究的课题 [32, 33]。

第一项评估 DL 重建对 CCTA 图像质量影响的研究发表于 2019 年 [34]，回顾性纳入 30 例已知或疑似冠脉疾病患者，证明 DL 可将图像噪声降低 20%，并获得显著更高的图像质量与更锐利的冠脉边界。另一项基于 U-net 改进模型、以超低剂量 CCTA 训练用于预测给定低剂量 CCTA 图像噪声的方法 [35]，整体噪声降低 70%，且所得噪声模式与真实 CCTA 数据集难以区分。该模型最初用 100 例患者的 55,418 幅标准剂量 CCTA 图像训练，后续在一项回顾性单中心临床研究中得到验证 [36]：CCTA 图像噪声降低 22%、质量提高 40%，且无过度平滑；但对冠脉狭窄的诊断准确率并未改善。Benz 等 [37] 证明 DL 平台可将 CCTA 图像质量较自适应统计 IR 提高 138%、噪声降低 43%，并能在与 IR 相当的噪声水平上生成质量高 62% 的图像；更重要的是 DL 重建的 CCTA 保持了与 IR 可比的诊断准确率。

一项近期发表的前瞻性研究纳入 70 例行 CCTA 的患者，随机分为 80 与 100 kVp 两组，均以 IR 重建；80 kVp 数据集被进一步降级生成第三套 DL 数据集——其背后的 GAN 用 500 组常规剂量 CT 图像与追加的不同比例噪声训练，以模拟不同辐射剂量下的 CT 图像。DL 在 80 kVp 数据集上获得了与 IR 重建的 100 kVp 图像相当的客观图像质量，重建时间缩短约一倍，辐射剂量较 IR 重建的 100 kVp 降低 55% [38]。一项纳入 289 例疑似卒中患者的研究 [39] 得到了类似结果，DL 重建在有效剂量减少约 40% 的同时使图像质量提高约 50%。该剂量节省是在患者手臂贴于躯干（贡献于较常规专用 CCTA 协议更高的辐射暴露）的条件下取得的，因此若配合正确的患者手臂摆位与前瞻性心脏 CT 门控（单独即可带来较回顾性采集超过 80% 的剂量降低 [40]），DL 重建 CT 协议有望实现低辐射与高图像质量兼优的 CCTA。

除图像质量与进一步剂量节省潜力外，DL 重建算法在时间效率上也有显著优势。计算时间的主要消耗在重建算法的训练阶段；IR 不需要训练，但其运行时间远长于 DL 重建 [23, 38]。胸部 CT 与 CCTA 的应用预计在更新版欧美指南 [41, 42] 以及美国商业医保报销政策 [43] 的推动下进一步增加。在此背景下，DL 在辐射剂量优化上具有突破性潜力（图 17.3），但当前文献仍受限于临床研究的早期阶段，仍需进一步研究以充分评估其在临床实践中的潜力。

Sparse-View Sampling CT（稀疏采样 CT）

稀疏采样是一种通过快速开关 X 线管以获得少量视角或减少角覆盖来降低 CT 辐射剂量的策略。然而由于图像稀疏性产生的大量伪影，IR 难以有效处理这一问题，且满足可接受图像质量所需的最少采集数据量因临床任务而异，须谨慎确定。IR 在重建时间上的固有局限也构成负担。AI 与 DL 的最新进展已应用于稀疏采样 CT 的图像重建，无论是正弦图域 [44] 还是图像域 [45] 都已得到验证，证明基于 DNN 的稀疏采样正弦图内插可有效补齐缺失数据并重建出与全采样正弦图质量相当的 CT 图像。尽管结果可观，目前的 CT 采集原理并不支持稀疏采样的便捷实施，因此其在商用诊断 CT 扫描仪上的落地尚不会在近期内实现。

Artificial Intelligence in Patient Centering（人工智能在患者定位中的应用）

正确的患者定位是辐射剂量优化的关键一步——许多技术解决方案（如蝴蝶结滤线器、自动管电流调制）只有在患者被正确摆位于等中心时才有效 [46]。然而患者定位优化方面的技术进展长期被忽视，仍主要依赖放射技师的目视评估。患者偏离等中心会显著降低图像质量，并使辐射暴露在体模扫描中增加高达 51%、在患者检查中增加高达 23% [47]。AI 最近已成功应用于这一任务，实现了自动患者定位（西门子医疗）。

具体而言，一台 3D 摄像头安装于 CT 检查室天花板上、患者正上方，同时获取常规 2D 彩色图像与深度图像；后者基于红外光与飞行时间原理 [48] 生成，包含了摄像头视场内所有物体的距离信息。摄像头与 CT 扫描仪的坐标系相连。一个用不同体型患者训练出的 DL 算法分析这些图像、检测患者解剖标志并推断患者定位，最终生成一个患者化身（patient avatar，即统计形状模型）。这些数据随后被用于设定最佳检查床位置，使化身的解剖中心落在扫描仪等中心 [49]。该技术可将检查床垂直方向偏移降到仅 5 mm 并保持在 15 mm 范围内，而手动定位的平均偏移为 30 mm、峰值达 60 mm [50]。这一精度至关重要——已有研究表明低于 20 mm 的偏移不会显著增加辐射剂量 [51, 52]。自动患者定位可使辐射剂量降低 21–31%，并显著缩短所有 CT 协议的扫描时间，有助于标准化工作流并加速扫描常规，尤其在繁忙的临床实践中 [53]。

Artificial Intelligence in Scan Range（人工智能在扫描范围中的应用）

患者被正确居中后，放射技师仍需采集定位像（scout view），并根据具体临床任务选择合适的扫描野。至今尚无可靠的自动化系统能实现精确的扫描范围选择，因此扫描范围仍由放射技师依据经验手工设定；但出于谨慎，放射技师倾向于将扫描范围延伸至超出必要范围以避免遗漏重要解剖结构 [54]。患者过度扫描会带来显著的辐射剂量增加，因此降低过度扫描的策略对患者有益 [55]。AI 已被证明能以高效的时间方式在胸部 CT 上识别解剖层面并估算不恰当扫描长度所带来的过度扫描 [56]。这些初步结果可能转化为一个能主动辅助放射技师评估过度扫描、或能完全自动选择合适扫描范围的 AI 工具，进而优化辐射暴露。

Limitations（局限性）

常规 CT 剂量在过去 30 年间已下降约 4 倍 [54]，AI 必将在进一步优化辐射暴露方面扮演重要角色，无论是用于已重建图像的降噪还是用于重建本身。然而 CT 系统终将面临一个物理极限：要在图像中识别与背景对比微弱的物体所需的最低光子数 [57]。该限制已在 IR 上得到证实，可能在临床实践中带来不利影响、提高漏诊小病灶的概率 [58]。

Conclusion（结论）

AI 技术可被应用于 CT 检查以改善图像质量、降低辐射剂量并优化工作流。尽管有望成为 CT 进一步发展的主要特征，但相关研究仍须持续推进，以进一步完善该技术并将其当前初步的有希望结果稳健地转化为临床实践。前瞻性多中心研究对于取得结果的可推广性至关重要，而可推广性正是当前最具挑战性的局限，连同"AI 应如何被训练与测试以充分发挥其潜力"这一尚未清晰界定的问题。

本章个人批注

本章的结构很值得停下来想一想。源文由 D. Caruso 等撰写，标题"Radiation Dose Optimization: The Role of Artificial Intelligence"看起来是要全面展开 AI 在 CT 剂量优化中的作用，但实际写法上，开篇近三分之一的篇幅（一直到"Sparse-View Sampling CT"之前）都是关于 DL 重建算法本身的论述——IR vs DL、GAN 降噪、各种 CCTA 临床研究。这让人意识到：所谓"剂量优化"在这里更核心的承载机制其实是"通过更好的重建算法来换取剂量下降空间"，而不是直接的剂量规划。换言之，DL 重建不是直接降低 mAs/kVp，而是降低了对原始光子数的需求，从而让低剂量扫描也能达到诊断质量。这与 Ch15 重建章节是一脉相承的；本章是它在"剂量优化"主题下的应用面。

第二点是稀疏采样这一节。它在结构上独立成节，但内容很短，且结尾明确说"在商用诊断 CT 扫描仪上的落地尚不会在近期内实现"。作者把它写进来不是要推荐它落地，而是要承认它是剂量优化研究路线图中长期存在的另一条可能路径。这种"知道路径存在但承认短期内不会实现"的写法在工程类综述中其实不常见，更常见的是回避或干脆不写。我读的时候觉得这种坦诚本身是有学术价值的。

第三点是患者定位与扫描范围这两节。它们的技术含量明显高于前两节，更接近工程实现细节而非算法层面——3D 摄像头、飞行时间、患者化身、统计形状模型、对检查床偏移 5 mm 与 60 mm 的对比——这与 Ch18（由 Sühling 等西门子工程师撰写）会形成自然的衔接。换言之，本章末尾两节其实是从临床医生的视角对 Ch18 即将展开的"AI 集成进 CT 系统"的预告。这也呼应了本章的 Limitations 一节里关于物理极限的论述——在算法层面之外，工作流优化（定位、扫描范围）本身就是剂量优化的另一条独立路径。

最后一点是关于"双维度 AI 介入"——一个是算法（DL 重建、GAN 降噪、稀疏采样内插），另一个是工作流（自动定位、自动扫描范围选择）。本章对这两条路径都给了具体的数据与系统级方案，但结尾 Conclusion 没有明确哪一条是主路径、哪一条是补充。这让我觉得作者有意把决策权留给读者。

与上下章的衔接（一段话）

本章位于 Ch15（CT 重建与图像增强）、Ch16（对比剂优化）与 Ch18（AI 集成进 CT 系统）之间。Ch15 在算法层面展开了 DL 重建如何实现低剂量高质量成像；Ch16 把视野拓展到对比剂个体化，重点是 bolus timing 与注射协议。本章则回到"剂量"这一更基础的问题，但其写法既不是 Ch15 的算法综述，也不是 Ch16 的临床方案对比，而是从剂量优化的全景切入，先讲 DL 重建作为承载机制（承 Ch15），再以稀疏采样与患者定位/扫描范围选择两条独立路径拓展（启 Ch18）。结尾 Limitations 与 Conclusion 把"剂量优化的物理极限"与"AI 临床转化的可推广性"两个开放问题留作本章的悬念——这一悬念在 Ch18 那种工程实现层面的论述中会得到部分回应（系统级 AI 集成），但物理极限本身在本卷后续章节中都不会再被直接讨论。下一章 Ch18 由西门子工程师团队主笔，是对本章末尾两节（患者定位、扫描范围选择）的工程级展开，可视为本章的姊妹篇。