8、机器学习在图像重建中的应用与挑战

机器学习在图像重建中的应用与挑战

1. 图像重建评估指标的局限性

在图像重建领域，定量指标对于评估结果至关重要，它们是最客观的评估方式。然而，这些指标只能提供关于重建图像真实诊断价值的有限见解。因为图像的诊断价值有时取决于图像中非常小且细微结构的存在与否，而这些通常无法被这些指标很好地捕捉到。

例如，在一些医学图像中，微小的病变可能对诊断起着关键作用，但定量指标可能无法准确反映这些微小结构的信息。因此，在机器学习用于图像重建的背景下，这些方法在多大程度上足够稳健和通用，以便能够成功应用于临床实践，仍然是一个悬而未决的问题。这需要在大规模前瞻性临床评估研究中，根据典型患者群体中遇到的个体间解剖和病理变异来评估其泛化能力。

1.1 相关研究案例

• 视觉图像质量评估 ：有研究对20例膝关节检查进行了放射科医生的视觉图像质量评估，评估标准包括图像清晰度、残余混叠伪影和表观信噪比等。另一项研究在157例腹部患者中使用类似标准评估了某种架构的性能。在这两项研究中，基于学习的图像重建在这些标准方面均优于传统的并行成像（PI）和压缩感知（CS）方法。
• 诊断内容评估 ：一项针对25例膝关节MRI患者的小规模前瞻性研究评估了基于学习的图像重建的诊断内容。研究人员评估了重建图像中是否存在典型病理，如半月板撕裂或韧带撕裂，并将诊断结果与临床金标准数据采集进行比较，部分病例还进行了关节镜检查以获得真实的地面真值。该研究发现两种采集方式之间具有良好的一致性，表明加速采集结合基于学习的重建具有与现有金标准相同的诊断内容，因此可以做出相同的临床决策。然而，这项研究仍然受到样本量