综述：关于CT伪影减少的全面综述：从传统的技术到深度学习方法

《Computerized Medical Imaging and Graphics》：A comprehensive review of CT artifact reduction: From traditional reduction techniques to deep learning methods

CT伪影抑制技术综述：系统梳理金属、散射、运动和环形伪影的物理成因及影像表现，建立涵盖成像链各环节的传统方法框架，重点分析监督式、半监督式和无监督式深度学习方法的技术特征与局限性，提出临床应用中的评估标准缺失、跨设备泛化差等核心挑战及多模态数据融合等未来方向。

　　

陈凯|王音诺|纪书雅|孟彩|潘超|唐周平|陈殿生

北京航空航天大学机械工程与自动化学院，中国北京100191

摘要

计算机断层扫描（CT）伪影去除旨在恢复因金属植入物、患者运动和探测器缺陷等多种因素导致的图像质量下降，这对于保持诊断的可靠性至关重要。尽管取得了显著进展，并且基于深度学习的方法迅速出现，但目前仍缺乏对现有技术的统一和结构化的综合研究。为了解决这一空白，本文将CT伪影分为环状伪影、金属伪影、运动伪影和散射伪影四种类型，并对其背后的物理机制及其相应的成像表现进行了系统的概述。从硬件采集和系统校准到投影域和图像域校正的整个CT成像流程，我们深入回顾了传统的伪影去除策略，并为经典技术建立了结构化的框架。随后，将基于深度学习的伪影去除方法分为监督学习、半监督学习和无监督学习三种范式，对代表性研究进行了方法论贡献和固有局限性的分析。最后，本文讨论了现有方法的临床应用，指出了关键挑战，并提出了进一步研究的有希望的方向。

引言

计算机断层扫描（CT）利用X射线传输和数学重建技术，能够提供内部解剖结构的高分辨率三维图像。自其问世以来，CT技术不断进步，已成为医学诊断、手术规划和治疗评估不可或缺的工具。如今，它被广泛应用于神经外科和骨科等多个临床领域（Greffier等人，2025年；Chen等人，2025e年；Farhadi等人，2022年；Shah等人，2025年）。然而，在临床实践中，CT图像的质量经常受到各种伪影的影响，这些伪影可能会掩盖真实的病理变化或引入误导性的特征，从而影响诊断的准确性（Puvanasunthararajah等人，2021年；Rusanov等人，2022年）。因此，有效的伪影去除和提升CT图像的可靠性已成为成像研究和临床应用中的关键挑战。

在理想的情况下，如果辐射剂量足够高、X射线为单色、探测器性能完美、没有散射且患者完全静止，理论上可以获得无伪影的CT图像。然而，这些条件在临床实践中几乎无法实现，任何一种条件的违反都不可避免地会导致伪影的产生。根据其主要成因，常见的CT伪影大致可以分为环状伪影、金属伪影、散射伪影和运动伪影（Barrett和Keat，2004年；Boas等人，2012年）。近年来，大量研究致力于CT伪影去除工作，取得了显著进展（见图1）。在过去二十年里，CT伪影去除受到了越来越多的研究关注，其中金属伪影去除方法（MAR）的出版物占比超过60%。

现有方法通常可以分为两类。第一类是传统的伪影去除方法（Meyer等人，2010年；Willemink和No?l，2019年；Wang等人，2024年），如采集参数优化、投影域校正、迭代重建和双能量CT（DECT）。第二类是基于深度学习（DL）的方法（Zhang和Yu，2018年；Wang等人，2023b年；Liao等人，2019年），这些方法利用数据驱动策略对伪影分布进行建模并自动去除伪影。总体而言，这些方法显著提高了CT图像质量并增强了临床诊断的可靠性。尽管传统方法在临床应用中表现稳健，基于DL的技术也取得了显著进展，但CT伪影去除仍面临四个主要挑战：

• •
  伪影与细节的权衡：
  传统的伪影去除方法不仅难以完全消除伪影，还可能引入过度平滑，导致解剖边界模糊（Meyer等人，2010年；Kalender等人，1987年；Meyer等人，2012年，见图2(c, d, i, f)。尽管基于DL的方法具有强大的表现能力，但它们也可能无意中生成虚假的结构（Haneda等人，2025年）。因此，在强大的伪影抑制和忠实的结构保留之间取得满意的平衡仍是CT伪影去除的核心挑战之一。
• •
  配对临床数据的稀缺：
  由于CT伪影去除任务的特性，几乎不可能获得无伪影的临床CT图像作为真实基准（见图2(a, b）。因此，主流方法依赖于模拟伪影来生成配对数据（Lin等人，2019年；Hein等人，2025年；Lossau等人，2019a年，见图2(g, h)）。然而，模拟伪影无法准确再现真实临床伪影的复杂性，导致在实际数据上的性能差距明显。近年来，许多研究引入了弱监督学习来缓解配对临床数据稀缺带来的挑战（Liao等人，2019年；Wang等人，2023d年；Ma等人，2025年）。
• •
  领域差异和泛化能力有限：
  模拟数据和临床数据之间存在显著差异，导致许多基于DL的方法在真实临床CT图像上的表现不佳。此外，不同扫描仪制造商、重建参数、疾病类型和扫描协议的变化也会引入额外的领域差异。这些多源差异使得单一模型难以在不同临床场景中可靠地泛化。因此，提高跨领域鲁棒性仍是CT伪影去除的关键挑战。
• •
  缺乏标准的评估框架：
  目前的CT伪影去除领域缺乏统一和标准化的评估框架，使得难以在一致的基准下公平比较不同方法。定量指标（如PSNR、SSIM和MAE）的选择和计算也因研究而异，没有普遍采用的标准（Wang等人，2004年；Hore和Ziou，2010年）。这种评估标准的缺失不仅限制了现有方法的可比性和可重复性，也阻碍了它们的临床应用。

多项综述研究了现有的CT伪影去除技术。在Boas等人（2012年）的研究中，Boas总结了各种伪影的成因和表现，并指出迭代重建和DECT可以有效缓解这些问题。在Vaishnav等人（2020年）的研究中，Gjesteby专门讨论了CT中的金属伪影，明确了不同类别金属伪影去除方法的优点和局限性。然而，在过去十年中，这些传统的CT伪影去除技术取得了显著进展。在Selles等人（2024年）的研究中，Selles全面概述了传统的金属伪影去除策略和新兴技术，包括采集参数优化、迭代重建和DECT，以及基于光子计数的CT（PCCT）和基于DL的方法。然而，他们的研究主要集中在金属伪影上，没有对基于DL的方法进行统一和深入的分析。Kleber等人评估了基于DL的CT伪影去除方法在正弦图、图像和双域中的应用（Kleber等人，2024年）。然而，该研究没有涉及无监督或半监督方法，而这些方法在缓解配对训练数据稀缺和提高模型泛化能力方面具有巨大潜力（见图3）。

本文总结了CT伪影去除的最新进展，特别强调了传统图像处理技术和基于DL的方法之间的比较。本文重点关注四种具有临床意义的CT伪影类型，包括金属伪影、散射伪影、运动伪影和环状伪影。因此，主要针对噪声抑制的专用CT去噪方法未包含在内。对于同时处理噪声和伪影的方法，只有在研究动机或评估重点明确指向伪影相关退化时才会进行讨论。本文还概述了持续存在的关键挑战，并探讨了未来研究的有希望的方向。本文沿着CT成像流程和学习范式组织了具有代表性和影响力的研究，建立了连贯的技术分类体系，为临床应用提供了实用指导，并为该领域的未来研究提供了简洁的参考。总结来说，本研究的主要贡献包括：

• 1.
  我们总结了具有临床代表性的CT伪影类型，包括金属伪影、环状伪影、运动伪影和散射伪影，并描述了它们的物理成因和成像特征，为伪影去除提供了理论基础。
• 2.
  遵循完整的CT成像流程，我们回顾了针对这四种伪影类型的传统伪影去除技术。通过分析它们的原理、适用性和局限性，我们为这些经典方法建立了结构化的框架。
• 3.
  我们全面回顾了基于DL的方法。将这些方法分为监督学习、半监督学习和无监督学习三类，总结了代表性研究的贡献和局限性，并进一步阐明了每类的技术特点。
• 4.
  最后，我们讨论了现有方法的临床应用，指出了剩余的挑战，并提出了该领域未来研究的有希望的方向。

在接下来的部分中，我们将对CT伪影去除技术进行全面和系统的回顾。第2节介绍了主要的CT伪影类型及其成因。第3节总结了传统伪影去除方法的最新进展。第4节回顾了基于DL的CT伪影去除方法，将其分为监督学习、半监督学习和无监督学习三类。第5节讨论了伪影去除方法的临床应用、CT伪影去除中剩余的挑战以及未来研究的有希望的方向。最后，第6节总结了本文。

分类和病因因素

在CT成像中，伪影可能由多种物理因素、患者相关因素和系统相关因素引起，导致多样的表现和退化模式。先前的研究根据其成因将CT伪影大致分为基于物理的、基于患者的和基于扫描仪的类型（Barrett和Keat，2004年；Boas等人，2012年）。本文不是旨在提供所有可能CT伪影的详尽分类，而是采用了一种以方法为导向和临床为中心的方法

传统伪影去除方法

在过去五十年中，CT技术从第一代发展到第四代，每一代的工作原理在参考文献Hsieh（2003年）中有详细说明。一般来说，CT的基本原理是通过数学方法反演穿过人体的X射线的衰减信息来重建物体的内部结构，见图4。在扫描过程中，X射线源和探测器相对移动

基于深度学习的伪影去除方法

近年来，深度学习被广泛应用于CT伪影去除，现有方法可以大致分为监督学习、无监督学习和半监督学习三种类型。一些代表性研究按时间顺序分为监督学习、半监督学习和无监督学习三类，并在图8中展示。在讨论这些技术的具体实现之前，有必要先提供公开可用的

讨论和未来方向

本文重点关注CT成像中四种常见且广泛存在的伪影类型，即金属伪影、环状伪影、散射伪影和运动伪影，并总结了这些伪影去除的最新进展。这些伪影在不同的扫描模式下都很常见，源自不同的物理机制，并在文献中得到了广泛研究，强调了有效去除它们的重要性

结论

本文全面概述了主要的CT伪影类型、它们的物理机制及其在不同临床场景中的表现。我们追溯了伪影去除技术从早期硬件创新和系统校准到投影域和图像域校正，以及基于模型和数据驱动的重建框架的演变过程。

CRediT作者贡献声明

陈凯：撰写——原始草案、验证、软件、方法论、研究。王音诺：撰写——审稿与编辑、可视化、研究。纪书雅：撰写——原始草案、软件、研究。孟彩：撰写——审稿与编辑、可视化、研究。潘超：撰写——审稿与编辑、研究。唐周平：撰写——审稿与编辑、监督。陈殿生：撰写——审稿与编辑、监督、资金获取。

利益冲突声明

作者声明没有已知的财务利益或个人关系可能影响本文所述的工作。

致谢

本研究得到了国家自然科学基金（92148206）的支持。