综述：深度学习方法在计算机断层扫描图像处理与分析中的应用综述

这篇综述系统探讨了深度学习（DL）在计算机断层扫描（CT）图像处理中的关键应用，涵盖图像去噪、超分辨率、生成、配准和分割五大方向。作者详细解析了人工神经网络（ANN）、卷积神经网络（CNN）、生成对抗网络（GAN）和视觉Transformer（ViT）等模型在医学影像中的技术优势，特别强调了其在放疗（RT）计划中的临床价值，如自适应放疗（ART）和图像引导放疗（IGRT）。综述还指出数据稀缺性和模型可解释性（XAI）是当前挑战，为未来研究提供了重要参考。

　　

引言

19世纪末放射线的发现为放疗和医学成像奠定了基础。现代医学影像技术包括X射线摄影、CT、磁共振成像（MRI）、超声（US）、正电子发射断层扫描（PET）等，这些技术通过非侵入方式获取人体内部结构和功能信息。医学图像处理主要涉及六个阶段：采集、重建、增强、分析、可视化和管理。

深度学习作为人工智能的子领域，凭借其从复杂数据中提取特征的能力，在图像分类、目标检测等任务中表现卓越。尤其在处理高维度医学影像数据时，深度学习模型如CNN和Transformer展现出显著优势。

人工智能、机器学习与深度学习

人工智能（AI）旨在开发能自主执行任务的计算机系统。机器学习（ML）通过数据训练模型实现预测，而深度学习（DL）通过多层神经网络自动提取特征。典型的神经网络包含输入层、隐藏层和输出层，通过反向传播算法优化权重。

神经网络类型

1. 1.

   感知机：最简单的二分类网络，无隐藏层。

2. 2.

   多层感知机（MLP）：全连接网络，通过增加隐藏层提升复杂度。

3. 3.

   卷积神经网络（CNN）：专为图像设计，通过卷积核提取局部特征，常用于分类和分割任务。

4. 4.

   U-Net：编码器-解码器结构，通过跳跃连接保留空间信息，广泛应用于医学图像分割。

5. 5.

   生成对抗网络（GAN）：生成器与判别器对抗训练，用于图像生成和模态转换（如MRI到CT）。

医学CT图像处理应用

图像增强

• •

  去噪：低剂量CT（LDCT）噪声问题通过SGDNet、CTformer等模型显著改善，PSNR提升至43.92 dB。

• •

  超分辨率：LIT-Former结合Transformer和CNN，实现空间分辨率提升，SSIM达0.9774。

• •

  图像生成：Comp-GAN生成合成CT，补偿MRI截断区域，MAE降低至26.50。

图像分析

• •

  配准：UDAN网络通过双注意力模块实现CBCT-CT对齐，DSC提升至0.8634。

• •

  分割：nnU-Net自动配置参数，主动脉分割DSC达0.9698；GWO-SwinUNet优化肝脏分割，HD降至2.00 mm。

挑战与展望

1. 1.

   模型选择：CNN局部感受野限制与Transformer长程依赖优势的平衡。

2. 2.

   数据需求：标注数据稀缺推动半监督学习和数据增强技术发展。

3. 3.

   临床转化：FDA已批准691款AI医疗设备，但需更多临床试验验证。

深度学习在医学影像中的潜力巨大，但需解决计算成本、泛化性和监管合规等问题，以加速临床落地。