综述：人工智能（AI）与CT在腹部成像中的应用：图像重建及其他

这篇综述系统阐述了人工智能（AI）驱动的深度学习重建（DLR）技术在腹部CT成像中的革新作用，对比传统滤波反投影（FBP）和迭代重建（IR）方法，DLR通过卷积神经网络显著提升图像质量、降低辐射剂量，并在肝脏、胰腺等器官病变检测中展现优势。文中还探讨了TrueFidelity、AiCE等算法的临床价值及AI在定量成像、工作流优化中的拓展应用，同时指出标准化与临床验证的挑战。

　　

Abstract

计算机断层扫描（CT）作为腹部影像学的基石，在疾病诊断、治疗规划和监测中不可或缺。近年来，人工智能（AI）的崛起催生了基于深度学习的图像重建技术（DLR），其通过卷积神经网络生成高保真图像，有效解决了传统滤波反投影（FBP）和迭代重建（IR）存在的噪声高、伪影明显等问题。TrueFidelity、AiCE等专有或通用DLR算法在提升对比噪声比、病灶检出率方面表现突出，尤其在肝脏、胰腺和肾脏等器官的细微病变检测中显著提升诊断信心。

技术突破：从传统重建到DLR

传统CT重建方法如FBP依赖数学反投影，易受噪声干扰；IR虽改善图像质量，但计算复杂且可能引入人工纹理。DLR通过训练海量临床数据，智能优化图像重建流程，在降低50%辐射剂量的同时，仍能清晰显示微小血管和低对比度病灶。例如，GE医疗的TrueFidelity算法通过多层神经网络结构，实现了对肝内₃
mm转移灶的精准识别。

临床应用：多器官效能验证

在肝脏成像中，DLR将肝细胞癌的检出敏感性提升至92%（传统IR为78%）；胰腺研究中，AiCE算法使胰管显示清晰度提高40%。肾脏应用方面，DLR辅助的定量分析可自动计算肿瘤体积变化，误差率<5%。此外，AI驱动的低剂量扫描方案使儿童和孕妇等敏感人群受益。

超越重建：AI的全链条赋能

AI技术已渗透至CT工作流各环节：

• 智能检测：自动标记可疑病灶，减少放射科医师20%阅片时间；
• 定量分析：精准测量病灶Hounsfield单位（HU）值，辅助脂肪肝分级；
• 流程优化：通过优先级排序急重症病例，缩短急诊CT报告出具时间至30分钟内。

挑战与展望

尽管DLR前景广阔，但不同厂商算法差异导致标准化困难，且缺乏多中心临床验证。未来需建立统一的图像质量评估体系，并探索联邦学习（Federated Learning）实现跨机构数据协作。随着5G和边缘计算发展，实时AI重建可能成为下一代CT的标配功能。