第18章 人工智能与计算机断层扫描系统的整合（Artificial Intelligence Integration into the Computed Tomography System）

作者

• Michael Sühling, MS — Siemens Healthineers, Forchheim, Germany.
• Stefan Großkopf — 同单位.
• Ralf Gutjahr — 同单位.
• Max Schöbinger — 同单位.
• Chris Schwemmer — 同单位.
• Andreas Wimmer — 同单位.
• Thomas Flohr, PhD（通讯作者）— 同单位. Siemens Healthineers 高级首席专家——CT 物理与系统集成代表。

本章是 Part II 的"AI × CT 系统集成"专章——讲 AI 如何在 CT 扫描仪内部（硬件 + 重建管道 + 后处理）落地。所有作者来自 Siemens——是工业界视角，读者需理解这是厂商视角而非独立学术。读者应已熟悉 Ch 13-15 (重建) + Ch 17 (剂量) + Ch 11 (工作流)。

内容概述

本章核心论点：(1) AI 集成到 CT 系统的 3 大层级：① 扫描硬件控制（kV / mA / collimation 智能选择）、② 投影域 DL 重建（sinogram → DL → CT 图像）、③ 图像后处理 DL（CT 图像 → 改善的 CT 图像）；(2) Siemens 的真实产品案例：myExam Companion（AI 扫描参数选择）、AI-Rad Companion（图像后处理 AI）、TrueFidelity（投影域 DLIR）；(3) 多模态协同——AI 同时调控 kV、mA、旋转时间、螺距、准直——是 CT 系统的"全栈 AI"；(4) 挑战：实时性（CT 扫描秒级完成 + 重建 < 30s）+ 多厂商硬件差异 + FDA / CE / NMPA 多区域监管；(5) AI 重建的物理一致性——投影域 vs 图像域后处理的差异。

核心方程与概念

0. 几个量化表达

• CT 扫描 + 重建时间预算：扫描 1-10 s + 重建 < 30 s（实时显示）——AI 必须满足实时性。
• TrueFidelity（Siemens DLIR）：相比传统 IR 噪声降低 30-50%，保持空间分辨率。
• myExam Companion：基于患者体型 + 检查目的 + 历史扫描 → 自动选 kV/mA/螺距——减剂量 20-40%。
• AI-Rad Companion：肺结节检测 / 主动脉瘤测量 / 胸腔积液评估——临床医生"第二意见"。

0.5 关键公式

• 投影域 DLIR 的物理保真度：\(L_{DLIR} = \|Ax - y\|_2^2 + \lambda \mathcal{R}(x)\)，其中 \(A\) 是前向投影，\(y\) 是采集的 sinogram——投影域 DLIR 强制 \(|Ax - y| = 0\)，比图像域后处理"更物理"。
• 多参数剂量优化目标：\(\min_{kV, mA, pitch, CM} D(kV, mA) + \alpha \cdot (1 - Q(kV, mA)) + \beta \cdot CM_{dose}\)——多目标 Pareto 优化。
• CT 实时性约束：\(T_{scan} + T_{recon} + T_{AI} < 30\,s\)，其中 \(T_{AI}\) 包括检测、分割、测量。

1. AI 集成的 3 大层级

• 扫描硬件控制：kV / mA / 准直 / 螺距 / 旋转时间——AI 在曝光前决策。
• 投影域 DL 重建：sinogram → DL → CT 图像——DLIR 核心。
• 图像后处理 DL：CT 图像 → 改善的 CT 图像——检测 / 分割 / 测量。

2. Siemens myExam Companion

• 功能：扫描前 AI——基于患者体型 + 检查目的 + 历史数据自动选参数。
• 目标：简化放射科技师工作 + 个体化优化 + 减剂量。
• 实际部署：2019 年起在 SOMATOM 系列 CT 上线。

3. Siemens TrueFidelity

• 本质：投影域 DL 重建——在 sinogram 域训练，不在图像域后处理。
• 优势：保持原始 CT 图像的"物理一致性"——不是"事后美颜"。
• 剂量节省：30-50% 同时保持图像质量。
• 与图像域 DL 后处理对比：图像域后处理可能"创造"伪影；投影域 DLIR 物理约束更强。

4. Siemens AI-Rad Companion

• 多任务 AI 后处理：肺结节检测、主动脉测量、肺密度分析等。
• 临床角色："第二意见"——不替代医生，提供额外信息。
• 集成：直接嵌入 CT 控制台 / PACS 工作流。

5. 多模态 AI 协同

• 同一扫描中同时调控：kV + mA + 螺距 + 准直 + 对比剂（Ch 16）。
• 挑战：每个参数有不同物理意义——AI 需理解参数间的耦合。
• 多目标优化：最小化剂量 + 最大化图像质量 + 满足诊断需求。

6. AI 重建的物理一致性

• 投影域 DLIR vs 图像域后处理 DL：
• 投影域：\(y o f(y) o \hat{x}\)，\(A\) 编码 sinogram 物理——\(A\hat{x} pprox y\) 严格保证。
• 图像域：\(x_0 o f(x_0) o \hat{x}\)，\(x_0 = A^{-1}y\)——可能偏离采集数据。
• 意义：投影域 DLIR 在低剂量时仍保持"物理正确"——图像域后处理可能"创造"。

7. 冠脉 CT 专用 AI 应用

• 冠脉自动分割：CNN 直接从 CCTA 图像分割冠脉树——Ch 24-27 详细讨论。
• 冠脉钙化评分：Agatston 自动计算——Ch 24。
• CT-FFR：从静息 CCTA 预测 FFR——Ch 27 详细讨论。
• 斑块表征：软斑 vs 钙化——CNN 标准化评估。

8. 心脏 CT 后处理 AI

• 自动心肌分割：Ch 31 放射组学需要精确的心肌分割。
• 自动 EF 计算：CNN 替代手工勾画 + Simpson 公式。
• 瓣膜测量：主动脉瓣、二尖瓣的自动平面 + 测量。

关键结论

• AI 集成到 CT 系统是 3 大层级：硬件控制 + 投影域 DLIR + 图像后处理。
• Siemens 的"全栈 AI"（myExam + TrueFidelity + AI-Rad）是行业最完整的商业案例。
• 投影域 DLIR 比图像域后处理"物理一致性"更强——真实临床部署已超过传统 IR。
• myExam Companion 个体化扫描参数——可减剂量 20-40%。
• AI-Rad Companion 是"第二意见"——不替代医生，辅助决策。
• 多模态 AI 协同是 CT 系统的真正前沿——同时调控 kV + mA + 螺距 + 对比剂。
• 实时性是 CT 系统 AI 的关键约束——扫描 1-10s + 重建 < 30s。
• 投影域 DLIR 物理一致性——是低剂量 CT 的"金标准"。

挑战和开放性问题

• 多厂商集成——Siemens / GE / Canon 的 AI 不互通——标准化 API（DICOM + ONNX）进度慢。
• 跨区域监管——FDA / CE / NMPA 三个区域合规——商用 AI 部署的真正障碍。
• AI 选错参数导致漏诊的法律责任——仍是灰色地带。
• AI 系统的"持续学习"——PCCP 路径在 CT AI 系统中尚未成熟。
• 扫描仪硬件升级——AI 模型可能因新探测器 / 球管而失效——模型维护成本。
• 临床 RCT——myExam / TrueFidelity 的大规模头对头 RCT 仍少。
• "AI 自动化" vs 技师自主权——技师是否愿意被 AI"代劳"决策？
• "投影域 vs 图像域 DL" 的真实临床差异——需要对照实验。
• 冠脉 CT-FFR 的真实临床部署——HeartFlow / Siemens 商业产品部署率？
• AI 心脏 CT 后处理对临床工作流的实际节省——radiologist 阅片时间减少？

个人反思与批判性分析

本章是工业界视角的章节——所有作者来自 Siemens。反思点：

优势： - 3 大集成层级（硬件 / 重建 / 后处理）清晰。 - 真实商用产品案例（myExam, TrueFidelity, AI-Rad）——是商业落地证据。 - 多模态协同思路。 - 投影域 vs 图像域的物理差异讨论。 - 冠脉 + 心脏 CT 的 AI 应用映射。

批判与补足： 1. 完全 Siemens 视角——GE / Canon / Philips 的对应产品（True Resolution, AiCE, SmartSpeed）未充分对比。 2. 临床 RCT 证据 缺少——"商用产品"vs"独立验证"的差距。 3. 多厂商互操作性——商用 AI 系统的"封闭性"是临床医院的痛点。 4. "AI 替代技师" 的伦理——Ch 16 已讨论 Hinton 言论——本章未充分展开。 5. 缺"成本-效益"——myExam + TrueFidelity 部署的成本是多少？节省的剂量成本是否值得？ 6. "AI 选错参数"的法律责任——仍是灰色。 7. "投影域 vs 图像域 DL" 的真实临床差异——证据不足。 8. 冠脉 CT-FFR 的真实部署率未充分讨论。

给作者的问题： - 4 大厂商（Siemens / GE / Canon / Philips）的商用 AI 集成产品在 2024 年的实际部署对比？ - myExam + TrueFidelity 的多中心 RCT 证据——2024 年最新？ - AI 选错参数导致漏诊的法律责任——已有判例？ - 冠脉 CT-FFR 的真实临床部署率——HeartFlow 等？ - "投影域 DL" vs "图像域 DL" 的真实临床差异？ - CT AI 系统的"持续学习" (PCCP) 商用产品中已实现？

9. CT 系统集成的"实时性"挑战

• 扫描时间：1-10 s 螺旋扫描。
• 重建时间：DLIR 30 s 预算（实时显示给技师）。
• 后处理时间：检测 + 分割 < 60 s。
• AI 必须满足这些实时约束——GPU 推理 + 模型优化（量化、剪枝）必须部署。
• 边缘计算：把 AI 推理放在 CT 控制台本地 GPU，避免云端延迟。

10. 多厂商 AI 系统的"互操作"现状

• DICOM + ONNX：标准数据 + 模型格式——但实际部署中各厂商 AI 仍封闭。
• IHE AI-RWF（AI Results Workflow）：放射学会与厂商联盟尝试标准化 AI 输出。
• AI Marketplace：GE Edison Platform、Siemens AI-Rad Companion、Philips Algorithm Marketplace——3 个相互竞争的"AI 平台"。

补充反思与工程实践： - "全栈 AI" 的工业实现远比研究困难——跨硬件 / 跨软件 / 跨时间 一致性是真正挑战。 - AI 系统的"可解释性"——myExam 选某 kV 100——为什么不是 120？医生需要可解释。 - "AI 模型版本管理"——3 年后 TrueFidelity 升级——医院如何跟踪变化？ - 多厂商互操作的"政治"——Siemens / GE / Canon 是竞争对手——AI 平台层 难以中立。

值得复现的实践： - 调研 2022-2024 年 4 大厂商的商用 AI 集成产品对比。 - 复现 myExam Companion 的核心功能——基于患者体型 + 检查目的自动选参数。 - 评估 AI-Rad Companion 的肺结节检测 vs 独立放射科医生。 - 复现一个简单的"投影域 DLIR"——验证物理一致性的优势。 - 复现一个完整的冠脉自动分割（基于 U-Net 3D）。

补充：CT AI 集成的"全栈"愿景

• Level 1 - 硬件层：AI 控制 kV/mA/准直（myExam Companion）。
• Level 2 - 投影层：AI 在 sinogram 域重建（TrueFidelity DLIR）。
• Level 3 - 图像层：AI 在 CT 图像后处理（AI-Rad Companion 检测/分割/测量）。
• Level 4 - 报告层：AI 自动填充结构化报告（Ch 10 已讨论）。
• Level 5 - 决策层：AI 提示 follow-up（CAD-RADS 自动建议）——Ch 26。
• 完整集成：5 层无缝衔接是 CT AI 的"终极形态"。

重要参考文献

[X1] Flohr T. CT 物理与系统设计. (Siemens 经典) [X2] Willemink MJ, et al. CT 重建综述. Eur Radiol. 2019;29:2185–95. DOI: 10.1007/s00330-018-5810-7. [X3] McCollough CH, et al. CT dose 综述. Med Phys. [X4] Siemens myExam Companion 产品文档. https://www.siemens-healthineers.com/computed-tomography/options-and-upgrades/clinical-applications/myexam-companion [X5] Siemens TrueFidelity 产品文档. (投影域 DLIR) [X6] Siemens AI-Rad Companion 产品文档. (后处理 AI) [X7] GE True Resolution DLIR 白皮书. (对比产品) [X8] Canon AiCE DLIR 白皮书. (对比产品) [X9] Philips SmartSpeed AI 重建文档. (对比产品) [X10] Hsieh J. Computed tomography: principles, design, artifacts, and recent advances. SPIE; 2009. (CT 系统设计经典) [X11] Zreik M, et al. 冠脉自动检测与分类 (Recurrent CNN). IEEE TMI. 2019;38(7):1588–98. [X12] Tesche C, et al. CCTA-derived 形态学 + 功能学 斑块标志 vs 侵入性 FFR. J Cardiovasc Comput Tomogr. 2016;10(3):199–206.