面向臨床需求的CT圖像降噪綜述

蒲曉蓉，黃佳欣，劉軍池，孫家瑜，羅紀翔，趙越，陳柯成，任亞洲

1.電子科技大學，計算機科學與工程學院，大數據研究中心，四川 成都 611731

2.四川大學華西醫院，四川 成都 610044

引 言

黨的十八屆五中全會提出《“健康中國2030”規劃綱要》，著力推進健康中國建設，提高人民生活水平。“十四五”規劃綱要突出“全面推進健康中國建設”，強調科技創新要面向人民生命健康，指出新一代人工智能技術要原創性引領臨床醫學和健康領域的應用。目前，計算機視覺和人工智能技術已對諸多領域產生了巨大影響。在醫療健康領域，醫學圖像智能分析一直是醫工交叉融合的熱點和難點之一，其中涵蓋醫學圖像質量優化、分割、檢測和識別等關鍵問題。醫療設備和操作環境等產生復雜的噪聲因為降低醫學圖像質量、影響臨床診斷，已成為醫學影像診斷的痛點和醫學圖像研究的焦點之一。

醫學影像診斷已成為現代臨床醫學不可或缺的手段。作為最常見的醫學影像，計算機斷層掃描 （Computerized Tomography, CT）是一種無需開刀就能生成不重疊的軸向切片圖像的醫學影像技術[1]，相比磁共振成像 （Magnetic Resonance Imaging, MRI）和正子發射斷層掃描 （Positron Emission Tomography, PET），CT 因其掃描速度快且成像清晰等優勢，廣泛應用于常規體檢、疾病診斷、術后評估等各環節。CT 利用X 線束對人體某些部位進行斷層掃描。理論上，X 線在均勻介質中的衰減系數服從指數規律。但是，人體器官或組織具有復雜的物質成分和不同的密度，當X 線穿透人體器官或組織時，各點對X線的衰減系數（吸收系數）是不同的。CT 成像將各體素的衰減系數的二維分布轉換為圖像的灰度分 布[2]。CT成像對人體掃描過程中，涉及光電信號轉換、輸入計算機處理前的模數轉換（Analog to Digital Conversion, ADC）以及將存儲于計算機中的數字矩陣轉換成像素點的數模轉換（Digital to Analog Conversion, DAC）等復雜處理，通常因硬件設備、操作者、被檢查者或環境等各種因素，產生復雜噪聲，降低CT 圖像質量[3]。其中光電轉換和數模轉換過程產生的電子噪聲是不可避免且無法消除的[4]。因而，CT 圖像降噪一直都是醫學圖像處理的研究熱點和重點之一。然而，現有絕大多數研究將CT 圖像的噪聲人為假設為高斯白噪聲、泊松噪聲或兩者混合噪聲，這類簡單假設的噪聲與臨床應用的實際場景和需求嚴重不符。此外，如何科學評價醫學圖像的質量，目前也缺乏規范、公認的評價機制。大多數研究采用自然圖像降噪的評價指標，即峰值信噪比、結構相似度和均方根誤差等。事實上，醫學影像診斷重點關注病灶的位置、大小、密度、形態等重要特征，與自然圖像降噪評價指標差異甚大。因此，需要研究面向臨床實際需求的醫學圖像質量優化方法和評價機制。

本文立足臨床醫學的實際需求，綜述CT 圖像的降噪技術，重點分析了低劑量CT （Low-dose Computed Tomography, LDCT）[5]圖像降噪的主流方法，特別是深度學習方法。本文強調CT 圖像降噪和效果評價必須面向臨床的實際需求，重點分析了LDCT 圖像降噪的最新方法及效果評價機制。

1 CT 圖像降噪研究現狀

CT 的廣泛普及和應用給醫療診斷帶來福音的同時，其輻射劑量問題也越來越受到各方關注。有研究表明，大劑量χ 和γ 射線會危害病人和醫生的身體健康，甚至可能增加誘發癌癥和某些遺傳疾病的風險。20 世紀90年代，隨著LDCT 技術的出現，一些國家先后推行LDCT 肺癌篩查，已成為近30 余年來肺癌篩查領域的應用熱點。盡管目前LDCT 肺癌篩查依然存在諸多問題，但是國際上已認同其在肺癌高危人群中的積極作用[6]。Guo 等人[7]研究表明，LDCT 在COVID-19 流行期間，尤其是在早期階段有著重要作用，同時該研究表明LDCT 對疾病診斷、嚴重性定量等非常敏感。

與臨床常規劑量掃描的正常劑量CT （Normal-Dose Computerized Tomography, NDCT）相比，LDCT 能減少輻射劑量、降低對人體的危害，但較小的X 射線電通量導致LDCT 圖像包含復雜的噪聲（如白色噪聲點）以及塊狀和蠟狀的偽影（如圖1 所示），這些噪聲和偽影嚴重時會掩蓋圖像中病灶的紋理或結構細節，影響臨床診斷的準確性[8]。可見，LDCT圖像降噪研究具有深遠的價值和應用潛質。

圖1 LDCT-and-Projection-data 數據集[52]中C002 患者的263 號成對的NDCT 和LDCT 切片圖像。用BM3D（Block matching 3D）和RED-CNN（Residual Encoder-Decoder CNN）兩種方法分別作為傳統方法和深度學習方法的代表，通過紅色虛線框中的兩個黃色感興趣區域（Region of Interest, ROI）對比降噪結果：(a)NDCT 圖像；(b)LDCT 圖像；(c)利用BM3D 的降噪結果；(d)利用RED-CNN 的降噪結果。Fig.1 No.263 paired NDCT and LDCT slice images of patient C002 from the LDCT-and Projection-data data set [52].Two methods, BM3D and RED-CNN, are selected as the representatives of traditional methods and deep learning methods, respectively.The noise reduction results are compared through the two yellow ROI regions in the red dashed box: (a) NDCT; (b) LDCT; (c) The result of noise reduction using BM3D; (d) The result of noise reduction using RED-CNN.

下面主要介紹LDCT 圖像降噪的傳統方法，基于卷積神經網絡（Convolutional Neural Networks, CNN）和生成對抗網絡（Generative Adversarial Networks, GAN）的深度學習方法。重點介紹經典方法的網絡結構、不同方法之間的差異及其優缺點，討論降噪過程中產生偽影以及降噪后的過渡平滑、細節丟失等問題和應對策略。

1.1 傳統低劑量CT 圖像降噪方法

傳統CT 圖像降噪一般基于數字信號處理相關技術，主要分為三大類：

（1）正弦濾波技術（Sinogram Filtering-Based Techniques）。該方法直接作用于CT 重構前的投影數據[9]，因其可以獲取噪聲的先驗信息，故降噪效果較好、計算效率較高。然而，該方法可能導致CT圖像結構信息的丟失和分辨率降低[10]。而且，由于其嚴重依賴投影數據，若CT 圖像的投影數據難以獲取，則無法使用[11]。

（2）迭代重構（Iterative Reconstruction）。過去十多年，基于迭代重構算法進行LDCT 圖像降噪一直保持較高的熱度[12]。該類方法將正弦濾波的統計特性、圖像域的先驗信息和成像系統的參數等合成到目標函數，如總變差（Total Variation, TV）[13]、非局部均值（Nonlocal Means）[14]、字典學習（Dictionary Learning）[15]、低秩（Low-rank）[16]等。此類方法總體降噪效果較好，但是大多數現代CT 掃描儀用紅外技術取代了濾波反投影（Filtered-back Projection, FBP）的圖像重建技術，以減少輻射。由此也引起設備的參數改變，而這些參數往往由CT 儀器廠商獨家掌握，直接影響迭代重構算法的應用和降噪效果。此外，迭代重構方法的計算太耗時，也制約其應用。

（3）圖像域降噪技術（Image Space Denoising Techniques）。該類方法直接作用于重構后的CT 圖像，因此無論采用何種CT 設備采集數據，都可以使用該方法進行降噪，泛用性能較好。常見方法如非局部均值濾波器（Non-Local Means Filter）[17]和三維塊匹配算法（Block Matching 3D, BM3D）[18]等。然而，上述方法存在圖像邊界模糊和分辨率損失等問題。

1.2 基于深度學習的LDCT 圖像降噪方法

1.2.1 基于卷積神經網絡CNN 的LDCT 圖像降噪

卷積神經網絡是目前深度學習領域中應用最廣泛的神經網絡之一，在圖像分割和檢測等方面效果顯著。不同于自然圖像中的噪聲，LDCT 圖像的噪聲統計特征無法輕易在圖像域中獲取，導致中值濾波等傳統信號處理方法的降噪效果較差。因此，在2017年Chen 等 人[19]將CNN 用于LDCT 圖像降噪，提出在該基于深度學習的LDCT 降噪方法中學習的過程依賴于訓練數據集，而非假設的噪聲分布。該研究將圖像降噪分為三步（每步都采用卷積運算），首先進行分塊編碼，利用不同卷積核將圖像塊編碼成稀疏表示，然后利用非線性濾波對稀疏表示（N 維特征向量）進行過濾，最后將處理后的塊加權合并重建，獲得最終的降噪圖像。這種早期基于CNN 的LDCT 圖像降噪研究，是深度學習方法用于LDCT 圖像降噪的有益嘗試，盡管所用CNN 架構比較基礎，且降噪思路相對簡單，但其研究成果證明了深度學習在CT 圖像降噪方面的潛力。

同年，Chen 等人[20]又結合自編碼器、反卷積網絡和殘差連接提出RED-CNN（Residual Encoder-Decoder Convolutional Neural Network）。自編碼器（Auto Encoder, AE）在圖像降噪中的最初應用是對噪聲輸入進行非監督學習，AE 與CNN 結合可提升CT 圖像降噪效果[21]。RED-CNN 同時使用了卷積和反卷積層，并在對應的卷積層和反卷積層之間添加了殘差連接，以提高學習效率。相比于文獻[22]，為了限制殘差學習的正性約束，RED-CNN 刪除了殘差求和前的線性整流函數（Rectified Linear Unit, ReLU）層。RED-CNN 包含5 個卷積層和5 個對稱的反卷積層，每一層都采用ReLU 函數。RED-CNN中的關鍵元素包括：（1）塊提取。在成對的LDCT和NDCT 圖像中提取重疊塊，作為對應的網絡輸入。（2）堆疊編碼器。RED-CNN 使用一個全連接的卷積層鏈作為堆疊編碼器，用于抑制圖像噪聲和偽影，并去掉池化層，以最大程度地保留所提取塊的細節。（3）堆疊解碼器。采用鏈式全連接反卷積層組成堆疊解碼器，用以重構圖像。（4）殘差補償。采用殘差補償機制，在反卷積的輸出中疊加原圖像。相比之前單一的CNN 架構，RED-CNN 不僅可以避免訓練過程中的梯度爆炸問題，增加訓練過程的穩定性，還可以提升圖像恢復的精度，保留更多細節信息。RED-CNN 分別在開源模擬數據集NBIA （National Biomedical Imaging Archive）[20]和真實臨床數據集[23]（the 2016 NIH-AAPM-Mayo Clinic Low Dose CT Grand Challenge）上取得了較顯著的效果。盡管后續呈現出更多改進方法，但RED-CNN 在LDCT圖像降噪方面的啟示和影響是非常顯著的。

大多數深度學習模型都采用均方誤差（Mean Squared Error, MSE）作為損失函數，能使降噪后圖像的峰值信噪比（Peak Signal to Noise Ratio, PSNR）較好，但往往過度平滑。2017年Yang 等人[24]提出感知損失（Perceptual Loss, PL）卷積神經網絡，在特征空間中將降噪結果的感知特征與原圖像的感知特征進行比較，可以顯著提升降噪效果，并最大程度地保留紋理細節。該網絡主要由兩部分組成：（1）CNN 降噪網絡。該網絡包含8 個卷積層，前7 個卷積層分別使用32 個3×3 的卷積核和ReLU 激活函數，并用一個3×3 的卷積核作為輸出層。（2）感知損失計算器。利用一個預訓練好的VGG（Visual Geometry Group）網絡[25]作為感知損失計算器，將降噪結果和無噪聲圖像輸入VGG 網絡，計算感知損失，并將重建損失反向傳播給CNN 降噪網絡，同時更新CNN的權重（VGG網絡的權重不變）。實驗表明，相較于對抗損失（Adversarial Loss），使用感知損失能更有效地保留圖像的細節和紋理特征。后續有研究將兩者結合起來，同時作為模型的損失函數對網絡進行約束優化，但沒有獲得顯著的改進效果。

表1 總結了2018-2021年基于CNN 的LDCT 圖像降噪主流方法，并比較了圖像質量優化評價指標。不難發現，早期大多數基于CNN 的LDCT 圖像降噪方法主要聚焦網絡架構設計和目標函數優化，前者涉及CNN 的復雜度，后者影響CNN 的訓練精度，二者共同提升CNN 的特征學習和映射能力，獲得較顯著的降噪效果。然而，CNN 的學習能力受限于訓練數據集、硬件配置以及運行時間等多種因素，只有在數據集足夠大、網絡層數足夠深、迭代次數足夠多的情況下才能取得較好的降噪效果[26]。真實臨床場景中，很難獲得足夠多的成對LDCT 和NDCT圖像，難以滿足CNN 訓練所需的大樣本對數據集。

表1 2018-2021年基于CNN 的LDCT 圖像降噪主流方法（表中PSNR 為峰值信噪比，SSIM 為結構相似度，RMSE 為均方根誤差，三者均為常用的CT 圖像評價指標）。Table 1 Summary of representative CNN-Based LDCT image denoising methods between 2018-2021(In the table, PSNR is the peak signal-to-noise ratio, SSIM is the structural similarity, and RMSE is the root mean square error, which are commonly used in CT image evaluation).

1.2.2 基于生成對抗網絡GAN 的LDCT 圖像降噪

為了解決基于CNN 的LDCT 圖像降噪因數據集較小可能導致的模型訓練不充分、網絡欠擬合等問題，2017年Wolterink 等人[38]，受風格遷移CNN的啟發[39]，提出了一種基于GAN 的LDCT 圖像降噪模型。GAN 的功能是依據原始輸入信息分布和極大似然估計生成指定分布的樣本，實現該功能需要兩個網絡，一個是用于獲取輸入并將其映射到樣本空間的生成網絡，另一個是判別網絡[40]。這兩個網絡相輔相成、相互博弈，生成網絡學習生成更多逼真樣本，判別網絡則在訓練過程中提升區分生成數據與實際數據的能力。其目的在于，通過兩個網絡交替訓練和相互競爭，使得生成樣本與真實數據幾乎無法區分，以生成足以騙過判別網絡的樣本。使生成網絡擬合的數據分布與真實數據分布接近，進而達到模擬給定數據分布的目的。

文獻[38]借鑒了GAN 的思想，訓練一個生成網絡用于LDCT 圖像降噪，即用生成網絡生成降噪后的圖像，并訓練一個判別器用于區分生成的圖像與真實NDCT 圖像，再向模型輸入一個帶噪聲的圖像，并在輸出端給模型沒有噪聲的圖片，讓模型通過CNN 學習降噪過程。在生成網絡中，噪聲被一步步地消除。每次卷積都使噪聲信息減小，圖像內容的部分細節也可能隨之丟失。但判別網絡能鑒別圖像的“真假”，生成網絡最后的輸出結果會保留圖像的主要內容。

具體而言，該模型中的生成器的輸入是一個65×65×19 的矩形體，由七層連續卷積層組成，采用3×3×3 的3D 卷積核[41]。卷積核的數量是遞增的，第一層為32 個、中間層為64 個、最后層為128個。其中CNN 生成器的生成結果為預測的噪聲圖，用輸入圖像減去得到的預測噪聲圖便是最終的生成器輸出。網絡的每一層都使用了Leaky ReLU（Leaky Rectified Linear Unit）函數來提高生成網絡的穩定 性[42]。判別器的輸入則是一個3D 的51×51×5 矩形體，前兩層采用3×3×3 的卷積核，最后層使用Sigmoid 函數輸出1（即真實的NDCT 圖像）或0（即生成的NDCT 圖像）。判別網絡的權重使用了文獻[43]中初始化的參數。該研究證明了GAN 在LDCT圖像降噪領域的可行性，并取得了較滿意的效果。但該研究基于傳統GAN 模型，訓練過程中存在諸多問題。盡管加入了Leaky ReLU 層和批歸一化層等優化方法提升網絡訓練性能，但依然無法解釋模型中的生成器和判別器的損失函數的輸出是如何影響網絡訓練的，并且缺乏針對訓練過程中生成圖像的質量評價方法。

表2 總結了2018-2021年基于GAN 的LDCT圖像降噪主流方法。值得關注的是，一方面在降噪方法上，基于GAN 的降噪框架相比傳統的CNN 降噪框架在解決訓練數據集不充分、網絡訓練欠擬合問題上有了較大改善，也有研究試圖通過優化GAN來提升降噪效果，如Hong 等人[47]采用條件生成對 抗網絡（Conditional Generative Adversarial Nets, CGAN）， Yang 等人[50]選擇WGAN（Wasserstein GAN）來提升模型的降噪效果，但這些方法依然存在泛化性能較差以及特征提取不充分等問題。另一方面，從表1和表2 中不難發現，現有研究的評價指標大多基于客觀評價指標，僅少數研究在評價指標中加入了雙盲評分，即在醫生不了解試驗分組、圖像結果無參照，僅由研究者來安排和控制全部試驗的情況下，讓兩位及以上的影像科醫生對不同的降噪結果進行打分，用以評價降噪效果[49-50]。同時先前的研究中無論是基于CNN 還是基于GAN 的LDCT 圖像降噪方法，鮮有學者關注到真實的臨床應用場景或醫生實際閱片過程中的需求，例如保證CT 圖像中的病灶信息不會在降噪過程中被一并去除等。

表2 2018-2021年基于GAN 的LDCT 圖像降噪主流方法Table 2 Summary of representative GAN-Based LDCT image denoising methods between 2018-2021

2 面向臨床需求的LDCT 圖像降噪方法

隨著LDCT 在臨床的廣泛應用，LDCT 圖像質量優化日益成為領域研究熱點。基于神經網絡的LDCT 圖像降噪必須依賴LDCT 和NDCT 樣本對。然而，由于醫學倫理、數據隱私、成像協議等諸多因素，很難獲得足夠的LDCT 和NDCT 圖像樣本對。此外，現有LDCT 圖像降噪方法幾乎都忽略了臨床診斷等高階任務，而追求PSNR、SSIM 等評價指標的提升，很難應用于臨床真實場景。

2.1 從LDCT 圖像中學習噪聲的降噪方法

2020年Chen 等人[51]首次提出基于LDCT 圖像學習提取噪聲的深度學習框架，用于LDCT 圖像降噪。如圖2 所示，該框架基于臨床LDCT 圖像，采用變分自編碼器（Variational Autoencoder, VAE），在相對干凈的背景中提取學習圖像的噪聲分布，并與大量開源的NDCT 圖像結合，構造LDCT/NDCT樣本對數據集。

圖2 基于LDCT 圖像學習/提取噪聲的深度學習框架[51]：首先，從真實LDCT 圖像中學習并提取近似噪聲，利用編解碼器增強噪聲；然后將噪聲隨機添加到NDCT 圖像中，獲得LDCT/NDCT 偽樣本對；最后利用構造的數據集訓練基于CNN的降噪網絡。Fig.2 Deep learning framework based on LDCT image learning to extract noise [51].The approximate noise samples extracted from real LDCT images are enhanced by an Encoder-Decoder.Then noise is randomly added to NDCT images to obtain paired pseudo LDCT / NDCT images.Finally, the constructed data set is used to train the noise reduction network based on CNN.

2.2 基于協同訓練的LDCT 圖像降噪

現有LDCT 圖像降噪方法大多追求PSNR 和SSIM 等評價指標的提升，而忽略影像診斷等臨床高階任務。2021年Chen 等人[37]提出一種即插即用的醫學圖像降噪網絡LID-Net（Lesion-Inspired Denoising Network）。該方法將圖像降噪（低階任務）與病灶檢測（高階任務）相結合，協同訓練LID-Net網絡，顯著提升了LDCT 圖像的降噪性能和病灶檢測精度。

該方法主要包含兩部分：第一，使用豐富易得的NDCT 圖像預訓練檢測網絡，使其可以提取較高精度的ROI；第二，利用ROI 的感知損失，構造聯合能量函數和多損失的目標函數，協同訓練降噪網絡和檢測網絡，并將目標檢測任務的反饋插入到降噪網絡。其中，檢測網絡包括骨干網絡ResNet50、區域提議網絡RPN 和后續網絡。提取的ROI 及其對應的分數由 RPN 獲得。根據得分，選擇降噪后的CT 圖像中有意義的ROI 和相應的NDCT 圖像，用于計算感知損失。該網絡需要歷經多輪交替協同訓練，如圖3 所示。LID-Net 網絡的降噪結果評價指標，既保留了PSNR 和SSIM，還增加了醫生的人工盲評，即將醫生針對降噪后圖像中的病灶進行評價，并將其反饋到降噪網絡中，以顯著提升圖像降噪的說服力和可解釋性。

圖3 基于協同訓練的LDCT 圖像降噪框架[37]：降噪網絡由一個生成網絡和一個判別網絡組成，其中生成網絡負責對LDCT 圖像降噪。檢測網絡由主干網（ResNet50）、區域建議網（RPN）和后續網絡三個網絡組成。通過RPN 獲得ROI建議和相應的對象分數。根據目標得分，選擇降噪后的CT 圖像中有意義的前景ROI 和相應的NDCT 圖像，以計算感知損失。Fig.3 LDCT image denoising framework based on co-training[37].The denoising networks includes a generator and discriminator.The denoised CT image is produced by the generator.The detection network includes the backbone network (ResNet50), the region proposal network (RPN), and the subsequent network.The ROI proposals and corresponding object scores are obtained by the RPN.According to the object score, the meaningful foreground ROIs in a denoised CT image and corresponding NDCT are selected for the computation of perceptual loss.

3 醫學圖像質量評價

目前，就圖像質量評價而言，醫學圖像和自然圖像的評價機制幾乎沒有差異。然而，醫學影像診斷完全不同于自然圖像，前者更注重病灶的細節，如顏色、邊緣和密度變化等關鍵特征。可見，醫學圖像降噪及其質量評價更復雜和特殊，使得其更具挑戰性[52]。

3.1 客觀評價方式

目前，圖像質量的客觀評價方式主要基于峰值信噪比PSNR 和結構相似度SSIM 兩種指標。

以CT 圖像為例，采用峰值信噪比進行評估時，PSNR 可以定義為：

其中，4095 是HU 值，HU（Hounsfield 單位）是計算機斷層掃描中普遍使用的無量綱單位，用于標準、便捷的表達CT 數值[51]，MSE 為均方誤差。

SSIM 的評價方法是從亮度、對比度以及結構上對兩幅圖像的相似性進行比較，與自然圖像降噪評價指標相同，這里不再贅述。

從臨床應用角度看，這兩種評價指標存在明顯缺陷，且一定程度上與臨床醫生進行影像診斷時的關注點無關，甚至相悖。其中，SSIM 定義的圖像“結構信息”不夠準確，無法體現同一圖像中不同區域具有不同視覺重要性等特性。因此，有研究完全放棄上述兩種評價指標，而采用人工質量評估[53]。

可以將PSNR、SSIM 與圖像中的其他特征相結合，獲得混合的評價指標。例如，基于梯度方向的圖像質量評價方法[54]、使用圖像的相位一致性信息和梯度生成局部質量圖譜[55]等。除此之外，有研究表明基于噪聲功率譜（Noise Power Spectrum，NPS）測量的客觀評價方式更為全面，NPS 的評價方式是以傅里葉變換為基礎，將信號變換至頻域進行測量分析，從而描述重建數據中的噪聲頻率變化，以此作為指標進行評價。但在面向臨床的實際場景中，NPS 測量過程中的信號容易受到0 階直流信號的影響，不夠穩定，雖然能夠采用重復掃描同一層面進行圖像相減的方法來消除部分直流信號以獲取足夠純凈的噪聲信息，但這樣會提高患者的掃描劑量，不符合醫學倫理[56]。

此外，現有醫學圖像質量評價指標缺乏臨床應用的可解釋性，因為圖像的特征或簡單的數值計算無法反映真實場景中醫生診斷需要的信息。

3.2 主觀評價方式

醫學圖像的普通主觀評價沒有專門的標準，通常是參考普通圖像的主觀評價標準，以醫生為觀察主體根據事先制定的評價尺度或經驗，由人的主觀感受對待測醫學圖像的優劣做出評分，然后對評分進行統計學處理，從而得出評價結果[57]。主觀評價大體上又可分為絕對評價和相對評價兩種。前者是觀察者根據事先規定的評價尺度或自己的經驗對被評價圖像進行質量判斷，評價結果表達為絕對評分表達（Mean Opinion Score, MOS）；后者是觀察者將一批圖像由好到壞進行分類，即對圖像進行相互對比得出好壞從而進行評價，評價結果表達為差值表達（Difference Mean Opinion Score, DMOS）[52]。醫學圖像是為臨床診斷服務的，所以主觀評價方式是較為合理的醫學圖像質量方法。但主觀評價方式雖基于臨床診斷，卻過度依賴主觀經驗和專業知識，很難科學量化和實現計算機輔助診斷。

在近幾年涌現出的眾多針對主觀評價方式的研究中，影像組學因其從醫學影像中提取和分析大量高通量的高維特征[58]，涵蓋大小、形狀、圖像直方圖以及描述圖像體素之間關系等若干具備一定物理意義的特征，獲得越來越多研究者關注。目前，影像組學的高維特征已經被用于肺癌相關病理學模式識別[59]，其中使用了三種學習方法分析100 多個特征。有研究結合影像組學進行乳腺癌細胞的良惡性分類[60]，其中計算了高通量的364 個特征，包括形狀特征、強度統計、灰度共生矩陣、紋理特征和輪廓波紋理特征，量化了腫瘤的形狀、硬度和硬度異質性等。影像組學還被用于預測臨床治療效果[61]，該研究發現182 例肺癌中的35 個CT 放射學特征是癌細胞轉移的重要預測因素，6 個特征是患者存活的預測因素。可見，由于能可靠地刻畫醫學圖像的相關內容，可以將影像組學用于醫學圖像質量評價。然而，該方法依賴大量成對數據集，在臨床實際場景中難以獲取，故用于LDCT 圖像降噪評價的可信度不高。此外，基于影像組學的圖像質量評價，其臨床可解釋性也比較差。

事實上，現有醫學圖像質量評價機制都沒有充分考慮醫學影像的臨床診斷目的。不同于自然圖像降噪，醫學圖像降噪應該盡量避免圖像外觀模糊化，甚至圖像細節和紋理特征丟失，特別是病灶區域。單純的PSNR、SSIM 評價指標往往導致圖像過渡平滑，嚴重影響臨床診斷。因此，醫學圖像質量優化必須考慮影像診斷、分割、病灶勾畫等高階任務。

4 結論與展望

本文綜合分析了CT 圖像降噪現有主流方法，重點分析了面向臨床實際需求的LDCT 圖像降噪方法。文章提出，當前CT 圖像降噪應該立足臨床實際應用需求，并與病灶分割、自動標注、識別分類等高階任務緊密結合，將醫學臨床先驗知識融入CT 圖像降噪過程，實現多任務并行優化。

此外，CT 圖像的噪聲與掃描劑量大小緊密相關，需要深入研究適應多種劑量的CT 圖像質量優化方法。如果能獲得CT 掃描的最低劑量及其降噪方法，可以進一步降低現有CT 輻射劑量，最大限度地降低人體的輻射危害。

最后，如何將人工主觀盲評指標進行科學量化，或將雙盲評價與客觀指標進行有機結合，構造面向臨床實際應用的、可解釋性強的圖像質量評價機制，都需要進一步深入研究。

利益沖突聲明

所有作者聲明不存在利益沖突關系。