[论文解读] Medical image reconstruction: a brief overview of past milestones and future directions

Jeffrey A. Fessler|arXiv (Cornell University)|Jul 19, 2017

Medical Imaging Techniques and Applications参考文献 34被引用 11

一句话总结

本文回顾了医学图像重建从解析方法到迭代方法及数据驱动方法的演变，强调了基于模型的方法，使用似然模型和先验模型。文章突出展示了向学习型正则化器和展开优化算法的转变，2017年FDA批准压缩感知磁共振成像（MRI）是临床应用中的一个关键里程碑，标志着在超过十五年的研究后实现临床转化。

ABSTRACT

This paper briefly reviews past milestones in the field of medical image reconstruction and describes some future directions. It is part of an overview paper on "open problems in signal processing" that will appear in IEEE Signal Processing Magazine, but presented here with citations and equations.

研究动机与目标

• 追溯医学成像中从解析方法到迭代图像重建方法的历史演变。
• 考察统计建模与正则化在从噪声或不完整数据中提升图像质量方面的作用。
• 探讨数据驱动信号模型与学习型正则化器的出现，作为从数学定义先验模型范式转变的体现。
• 评估在临床实践中采用基于机器学习的重建方法所面临的挑战与机遇。
• 识别下一代图像重建在优化、泛化能力及诊断性能评估方面存在的开放性研究问题。

提出的方法

• 采用贝叶斯框架，将图像重建建模为最大后验概率（MAP）估计，结合似然 $p(y|x)$ 和先验 $p(x)$。
• 回顾经典解析方法，如滤波反投影和逆傅里叶变换，这些方法依赖理想化的系统模型。
• 分析整合物理系统模型与统计噪声特性的迭代方法，通过优化求解MAP问题。
• 讨论促进稀疏性的正则化器（如总变差和小波变换），尤其在压缩感知MRI中的应用。
• 引入数据驱动方法，如字典学习与盲/自适应变换学习，以替代人工设计的先验。
• 提出将迭代算法展开为类似深度神经网络的架构（如LISTA），并通过数据训练以提升重建性能。

实验结果

研究问题

• RQ1 在正电子发射断层扫描（PET）、单光子发射计算机断层扫描（SPECT）、计算机断层扫描（CT）和磁共振成像（MRI）等模态中，基于模型的迭代重建方法相比解析方法在图像质量方面有何提升？
• RQ2 尽管具有理论优势，为何先进迭代方法的临床采纳仍受技术与临床障碍的延迟？
• RQ3 学习型正则化器（如学习字典或深度网络）在不同成像协议和患者群体之间具有多大程度的泛化能力？
• RQ4 应如何设计训练目标，以优化不仅重建精度，也包括诊断图像质量？
• RQ5 学习型重建模型中的非线性与可解释性缺失对临床信任与监管审批有何影响？

主要发现

• 基于稀疏性与 $\ell_1$-正则化的压缩感知MRI，在超过十五年的研发后，于2017年获得FDA批准。
• 采用改进的高斯马尔可夫随机场（MRF）的迭代MAP方法已在正电子发射断层扫描（PET）和计算机断层扫描（CT）中实现临床应用，通过减少噪声放大显著提升了图像质量。
• 从解析方法到迭代方法的过渡在正电子发射断层扫描（PET）、单光子发射计算机断层扫描（SPECT）和计算机断层扫描（CT）等模态中耗时超过10–20年，主要由于计算需求与临床验证的需要。
• 数据驱动正则化器（如学习字典与自适应变换）实现了与传统数学定义先验的彻底变革，能够更好地建模复杂图像结构。
• 展开优化方法（如LISTA）表明，学习型迭代方案在速度与精度方面可超越标准求解器，尤其在稀疏数据条件下表现更优。
• 尽管已取得进展，但在成像协议泛化、患者多样性以及训练指标与诊断性能对齐（而非仅最小均方误差MSE）方面仍面临重大挑战。