作者：李颖鑫，张喜荣，陕西中医药大学医学技术学院

近年来，我国的CT设备保有量迅猛增长，从2018年的22 100台激增至2023年的44 800台，复合年增长率为19.32%。随着CT检查的普及，其辐射安全问题逐渐成为公众关注的焦点。人们对CT辐射的潜在危害越来越关注，合理可行且尽可能低剂量（ALARA）的国际原则已成为当今影像学重要的研究方向。腹部CT扫描具有覆盖范围广，多期相扫描，以及下腹部检查时可能会扫描到性腺的特点，使实现低剂量扫描更为困难。

一项Meta分析显示成人CT扫描后癌症风险异常增加，且癌症风险与辐射剂量（剂量>55 mSv时最高）和CT部位呈正相关。因此，腹部CT的低剂量化是辐射安全与诊断效能平衡的核心问题。CT核心技术——图像重建算法持续革新，旨在平衡图像质量、辐射剂量与扫描速度。

早期经典的滤波反投影（FBP）计算高效，却对噪声敏感，难以满足低剂量需求。迭代重建（IR）引入噪声统计模型显著降低辐射剂量，但图像过度平滑影响微小病变检出。近年来，深度学习图像重建（DLIR）以数据驱动优势在剂量降低与纹理保真间取得突破，但其“黑箱”特性引发的可解释性质疑及临床验证不足仍待解决。从FBP到IR再到DLIR，体现出CT重建算法从传统数学向数据驱动范式的转变，有力推动CT技术进步与临床诊断精准化。目前，针对腹部复杂解剖环境下多算法效能的系统对比研究较少。本文整合最新文献，明确各算法优势场景，根据“算法-剂量-临床任务”三维匹配策略，为腹部超低剂量CT临床实践提供理论支持 。

1. CT图像重建算法的发展历程

CT图像重建算法的核心在于建立从投影数据到图像空间的映射关系，主要分为解析重建（AR）和IR两类。重建算法始终围绕加快重建速度、降低辐射剂量及提高图像质量“三位一体” 的目标发展，特别是在低剂量条件下，如何有效抑制噪声并保留细节是算法的核心任务。

1.1 从解析重建到从解析重建到迭代重建的技术跨越

解析重建以FBP 为代表，曾是商业化CT 的金标准。然而，FBP对噪声敏感，低剂量条件下易产生条纹伪影，限制其进一步应用。随着计算机的算力提升，IR通过迭代优化数据统计模型与系统噪声特性，显著改善了低剂量图像质量。

2009 年，西门子推出的图像域迭代重建（IRIS）首次将IR引入临床，开启了低剂量CT的新纪元。此后，混合迭代重建（HIR）与基于模型的迭代重建（MBIR）相继问世。MBIR通过引入物理模型（如X射线束硬化效应）和解剖先验信息，进一步降低噪声并提升空间分辨率，但其计算复杂度较高，重建耗时较长。与FBP相比，保证图像质量相似时，50%自适应统计迭代重建（ASIR）及MBIR重建分别可减少剂量28%、59.9%。

1.2 深度学习：数据驱动的技术革新

AI的兴起推动了医学图像重建的范式转变。基于深度神经网络（DNN）的DLIR可直接从原始投影数据中自行学习并提取最佳特征，实现端到端的噪声抑制与结构还原。研究表明，DLIR的噪声纹理更接近FBP的自然特性，同时显著优于传统IR 算法（噪声降低约39%）。商用的DLIR 包括： AiCE（Canon MedicalSystems，2018）、TrueFidelityTM （GE Healthcare，2018）、Precise Image（Philips Healthcare， 2022）、ClearInfinity（NeuAI denosing）。这些技术的发展不仅推动了CT图像重建技术的进步，也为临床诊断提供了更为精确和高效的工具。在PubMed 数据库检索各种算法的发文量，发现关于IR中自适应统计迭代重建-V（ASIR-V）算法及深度学习中TrueFidelityTM 算法的研究是比较多的，因此下文主要对这两种重建算法进行举例介绍。

2. CT图像重建算法的临床应用

2.1 滤波反投影法的技术演进与局限性

FBP 作为 CT 重建的奠基性算法，其数学本质是Radon逆变换-通过求解逆问题来获得患者内部解剖结构的过程。首先对原始投影数据施加斜坡滤波器抑制高频噪声，随后将滤波后数据沿射线路径反向投影至图像空间，最终合成断层图像。核心优势在于重建速度快（单幅图像<1 s），但基于“点光源-理想探测器”的简化假设，导致其在低剂量场景下存在固有缺陷，严重制约其在腹部低剂量CT中的应用潜力。

为了改善FBP算法的结果，通过对正弦图进行预处理、修改斜坡滤波器或对重建图像进行后处理等多方面的研究来优化FBP的输出。此外，还有研究专注于分析和处理FBP重构过程中的逐视图反向投影。这些研究提供了对FBP算法的启发式视角，并在一定程度上提高了其在低剂量条件下的性能。然而，上述改进仍属局部优化，无法从根本上解决FBP的模型缺陷。随着IR与DLIR算法的成熟，FBP已逐步退出低剂量CT的主流临床场景。

2.2 IR算法的技术演进与临床应用

2.2.1 技术原理与发展历程 

为了应对低剂量CT扫描中FBP重建方法的局限性，IR算法应运而生，该算法通过结合反向投影或正向与反向投影循环处理图像，考虑了数据采集过程中的噪声和系统特性，有效提升了低剂量CT图像的质量。这种技术在多种常规工作流程中扮演着重要角色，应用于日常筛查、血管成像和儿科，同时也在定量CT成像和限制肿瘤患者辐射剂量方面发挥着关键作用。2009年IRIS算法获得FDA批准，之后的2年内，市面上的CT厂商都将IR算法用于临床实践，包括ASIR（GE Healthcare）、IDR（Canon Medical Systems）、Veo（GE Healthcare）、SAFIRE（Siemens Healthineers）、iDose4（Philips Healthcare）、AIDR3D（Canon MedicalSystem）等。

2.2.2 ASIR-V算法的突破与临床应用 

ASIR是研究最广泛的IR算法之一，ASIR-V是GE公司推出的第3 代IR，它在建模过程中舍弃了系统光学元件，主要侧重于对系统噪声统计、对象和物理进行建模，这些是减少噪声和伪影的主要因素。舍去最耗时的系统光学元件，ASIR-V显著提高了图像质量，并具备与ASIR类似的重建速度，使其在低剂量扫描时发挥更大优势。ASIR-V包含前置、后置两种不同模式，且分别有0%~100%共11 种权重，此处权重可以理解为混合比例，100% ASIR-V是0% FBP与100% ASIR-V混合，即IR图像；0% ASIR-V是100% FBP与0% ASIR-V混合，即FBP图像。

前置ASIR-V根据噪声指数（NI）调节毫安秒，降低辐射剂量而不影响CT值；后置ASIR-V根据FBP、IR不同权重水平降低图像噪声、减少条纹伪影，以完善图像细节、改善图像质量，挑选最合适的前后置ASIR-V 权重能在保证图像质量的同时降低辐射剂量。这种动态调节，可根据需求灵活平衡降噪与空间分辨率，临床适应性广。ASIR-V 算法在腹部 CT 成像中展现出显著优势，其在保证图像质量的前提下实现35%~40%的辐射剂量降低。

研究表明，ASIR-V 在 60% 权重时可使肝脏对比度噪声比（CNR）提升35%，噪声降低42%，有效改善低剂量下的图像质量，尤其在肝实质、胰腺等软组织成像中优势明显。该算法可根据患者BMI、肝功能分级及临床任务灵活调整，实现剂量-质量平衡。在肝硬化患者中依据肝功能分级调整权重（Child-Pugh A/B级：前置50%+后置60%；C级：前置40%+后置60%），在维持门静脉系统清晰度的同时降低46.7%的有效剂量。

有研究收集了BMI≤24.9 kg/m2的患者进行腹部CT增强扫描，推荐前置40%加后置60%ASIR-V与80kV管电压结合，这样可以满足低辐射剂量和图像质量平衡，实现个体化扫描。针对肿瘤患者的研究显示，采用40%ASIR-V时，有效辐射剂量从11.28 mSv 降至7.44 mSv（降幅34%）。此外，ASIR-V联合低管电压（如80 kV）可进一步减少63.3%的辐射剂量，并降低39.7%的造影剂用量。

2.2.3 局限性与未来探索 

然而，ASIR-V 存在一定局限性，特别是当权重较高时。高强度ASIR-V图像会显得过于平滑、斑点或不自然，这使得低对比度检测任务具有挑战性，并限制了剂量进一步减少的潜力。ASIR-V在临床应用中存在如下问题需要关注：首先，高权重（>70%）参数设置可能导致图像过度平滑化，这不仅会模糊肝内胆管和血管边缘，影响微小胆管癌的诊断，还会增加肝脏实质纹理均匀性指数，从而提升小的低密度病灶的漏诊率。

其次，在小病灶检测方面，ASIR-V相较于DLIR在空间分辨率和低对比度病变检出率上表现欠佳，特别是在微小血管（如肠系膜下动脉分支）和肝转移灶的显示中。有研究进一步证实，尽管ASIR-V在降低剂量长度乘积、减少图像噪声和提升CNR方面具有优势，但FBP在低密度肝脏病变的检出率和主观成像评分上表现更佳。

此外，ASIR-V的临床效果高度依赖于参数设置（如NI），需要根据患者体型、扫描部位和临床任务进行个体化调整，这一过程的复杂性对医师的经验和技术水平提出了较高要求，不当的参数选择可能降低诊断特异性。因此，在临床应用ASIR-V时，需要权衡图像质量与诊断效能，并充分考虑患者的具体情况和临床需求。ASIR-V在腹部低剂量CT中展现出显著的辐射优化潜力，但其应用需结合患者特征与临床任务。研究表明应用体模研究将前置ASIR-V与能谱CT结合，此种方法在ASIR-V权重增加时也可以降低辐射剂量而不影响图像质量。与能谱CT联合，还可在低剂量下进行能谱的定量分析，为临床提供更多帮助，这也让IR技术的更多应用空间有了可探索的方向。

2.3 DLIR

2.3.1 演进与核心优势 

AiCE是第一个商业化的深度学习重构工具。紧接着TrueFidelityTM出现，并应用于日常临床工作中，是全世界首个取得美国食品和药物管理局批准的基于DNN的CT图像重建引擎，为生成高质量的CT图像、进一步降低CT辐射剂量提供了新方法。随后飞利浦及东软医疗也先后推出了自己的深度学习算法：Precise Image（Philips Healthcare，2022）、ClearInfinity（NeuAI denosing）。ClearInfinity 深度学习AI重建算法也是第一个获得国家药品监督管理局认证的国产DLIR算法，入选了中国专家共识。

TrueFidelityTM作为目前研究最广泛的DLIR方法之一，通过摒弃传统依赖固定数学方程模拟运算的方式，充分利用AI深度学习和大数据潜能，展现出显著的核心优势。首先，在噪声抑制与剂量优化方面，TrueFidelityTM基于高剂量、高质量的FBP 数据进行训练，能够有效区分噪声与真实解剖信号，还原源头数据的真实形，同时大幅提升重建速度，使其在急诊中同样适用。一项Meta分析显示，与传统IR相比，DLIR可将图像噪声平均降低39%，辐射剂量减少57%~65%。

另有研究进一步证实，DLIR可将辐射剂量降低75%，显著减少背景噪声，同时保持腹部平扫低剂量CT的图像质量和解剖结构清晰度。其次，在空间分辨率保留方面，TrueFidelityTM采用多尺度网络架构，在80 kV低剂量条件下，肝脏血管分支的显示清晰度显著优于ASIR-V。且在剂量降低50%时，肝脏图像的噪声功率谱密度（NPS）较ASIR-V更低，同时保持肝内血管边缘锐利度。此外，TrueFidelityTM在多模态适应性方面有优势，研究发现其与能谱CT联合应用可提升物质分离能力，例如在鉴别脂肪肝与肝纤维化方面具有显著优势。

综上所述，TrueFidelityTM通过噪声抑制、剂量优化、空间分辨率保留及多模态适应性等方面的优势，为临床影像诊断提供了更高效、更精准的解决方案。DLIR有3 种强度：低（DL-L）、中（DL-M）、高（DLH）。DL-L有利于保证空间分辨率；DL-M平衡噪声与分辨率，推荐用于常规腹部肿瘤筛查；而DL-H侧重降噪，适用于肥胖患者。研究表明DL-M在腹部成像中综合表现最优。DLIR主观图像质量评分（10 分制）从7.1 分到8 分，显著高于MBIR（5.2~6 分）和HIR（5.5~6.7分）。

2.3.2 腹部临床应用 

腹部脏器较多，病变复杂，显示微小病灶对空间分辨率和对比度分辨率的要求较高，DLIR算法在显示小病灶、微小结构有着独特优势，很适合应用于腹部CT检查。一项关于DLIR对腹部CT密度测定和图像质量影响的Meta 分析显示FBP、HIR和DLIR的腹部器官 CT值无显著差异。这表明这些重建技术在重建CT值方面是一致的。但与FBP 和HIR相比，DLIR图像的信噪比和CNR明显更高。目前已有许多研究表明了DLIR算法在低剂量腹部CT中的应用价值。

在微小结构显示方面，门静脉期增强扫描中，DLIR对胆管扩张病变的CNR较FBP显著提升（P<0.05），主观评分（如胆管壁清晰度）达到最高（4分），表明DLIR在胆管系统微小结构的显示能力上具有显著优势；并且DLIR能显著提高细小血管的显示，这得益于DLIR算法在噪声抑制和细节保留方面的优化性能。在薄层成像优化方面，研究表明基于DLIR算法在健康人群中开展了低剂量肝脏薄层CT扫描，结果显示在辐射剂量减少约50.2%的情况下，DLIR重建的薄层图像质量与常规厚层CT扫描相当（P>0.05）。

结合薄层重建带来的空间分辨率提升，DLIR在肝脏成像中展现出良好的可行性及临床应用价值，为低剂量高分辨率肝脏CT扫描提供了技术支持。在跨部位协同应用方面，有研究显示，DLIR胸部增强CT覆盖的上腹部图像，在噪声、信噪比和CNR等客观指标上均明显优于ASIR腹部重建（P<0.05）。主观分析显示，DLIR胸部在上腹部评价中表现出比ASIR腹部更好的空间分辨率，而ASIR腹部在主观噪声水平和整体图像质量方面表现更优，提示DLIR在跨部位联合扫描中具有独特的应用潜力，尤其是在需要兼顾空间分辨率和辐射剂量的临床场景中。在特定人群中的应用也是DLIR的一大亮点，尤其是儿科。儿童腹部增强CT成像中DLIR算法显著降低了图像噪声，优化了图像质量。

2.3.3 局限性 

低对比度肝脏病变的评估是腹部影像学中最具挑战性的诊断任务之一。在进行精细的小肝脏病变评估时，建议谨慎使用任何显著的辐射剂量减少策略，以确保病变的可视性和诊断准确性。研究表明，在剂量减少潜力方面，中高强度DLIR较传统IR或FBP重建算法具有显著优势（P<0.05），但需要注意的是，高强度DLIR可能在一定程度上导致高空间频率信息的轻微丢失，这可能影响微小结构的细节显示。因此，在实际应用中，需根据临床需求权衡辐射剂量与图像质量的平衡，以优化诊断效能。

多篇文献显示DLIR算法在病变＞5 mm和≤5 mm中的表现有差异，在小病变（≤5 mm）中存在图像模糊的情况。研究显示肝脏恶性病变的CNR按照DL-L、DL-M、DL-H的顺序依次增高，但疾病的显示率变差，在≤5 mm组尤为明显。有研究DLIR对结直肠癌肝脏转移的检测和表征的结果中提到，低剂量DLIR肝转移的平均CNR高于标准剂量的FBP，仅对5 mm或更小的病变检测出差异。

也有研究表明，使用减少50%剂量的DLIR来检测低对比度肝转移，它保持了与全剂量FBP和IR相当的图像质量，但是将DLIR辐射减少70%，在临床上是可以接受的，此时不足以检测小的低对比肝转移（<1 cm）。

综上，DLIR算法对非常小的低对比度病变的检测及诊断的可信度方面有欠缺。在使用DLIR算法对肝脏病变较小的患者评估时要谨慎，在肝脏肿瘤筛查中可能需结合薄层重建（≤1 mm）以弥补分辨率损失。有文献关注到这一问题，并研究DLIR用于优化能谱CT低单能量图像质量及提高检测肝脏低对比度小病灶能力的可行性，认为DLIR技术可显著减少低单能量成像噪声、改善图像质量、提高检测肝脏低对比度小病灶的能力。未来可以探究其与多种能谱CT技术联合的可行性。

2.3.4 DLIR未来研究方向 

DLIR技术目前正处于快速发展阶段，大量涌现的新理论和架构为解决现有限制提供了重要推动力。首先，提高DLIR的可解释性是关键研究方向之一。由于深度神经网络的“黑盒”特性，DLIR算法在重建或降噪过程中的具体机制尚不明确，因此研究者应适当公开训练数据集以促进算法开发和优化。其次，标准化是当前面临的主要挑战。不同厂商的DLIR算法（如TrueFidelityTM与AiCE）在相同剂量下的对比噪声比存在显著差异，亟需构建准确且高效的评估方法。

影像诊断医师的评估虽是图像质量的重要参考标准，但这一过程耗时耗力，且易受观察者间和观察者内差异的影响。此外，训练数据偏差问题也亟待解决，现有模型多基于西方人群数据开发，对中国患者（如乙肝肝硬化背景）的泛化能力不足。未来研究需进一步扩大样本量并进行多中心验证，特别是纳入不同人群（如亚洲乙肝肝硬化患者）以验证模型的泛化性。同时，多任务联合训练是重要方向之一，通过结合超声、CT、MRI等多模态数据，可增强模型对微小病变的识别能力。

此外，硬件协同优化也值得关注，例如将DLIR与光子计数CT结合，利用其高能量分辨率特性进一步优化深度学习模型。综上所述，DLIR的未来研究应聚焦于可解释性提升、标准化评估、数据偏差修正、多中心验证、多模态联合训练及硬件协同优化等方面，以推动其在实际临床中的广泛应用。

3. 小结与展望

在腹部低剂量CT扫描中，重建算法在降低辐射剂量方面具有显著的优势，显示出了良好的临床应用前景。在未来相信在AI的辅助下，腹部超低剂量CT扫描也将成为现实。并且伴随新的CT硬件技术（如光子计数CT）的出现以及影像组学的发展，可在降低辐射剂量的情况下进一步提高图像质量，探索各种算法与影像组学之间的联系。

来源：李颖鑫,张喜荣.不同重建算法在腹部低剂量CT扫描中的应用进展[J].分子影像学杂志,2025,48(06):763-769.