基于机器学习X射线投影插值的4D-CBCT重建优化：迁移学习在医学影像增强中的突破

《IEEE Open Journal of Engineering in Medicine and Biology》：Machine Learning-Based X-Ray Projection Interpolation for Improved 4D-CBCT Reconstruction

本研究针对4D-CBCT（四维锥形束计算机断层扫描）重建中因投影数量不足导致的条纹伪影问题，创新性地将视频帧插值算法应用于医学影像领域。研究人员采用RIFE（实时中间流估计算法）等预训练模型进行投影插值，结果显示该方法显著提升了图像质量（SSIM达0.986±0.010，PSNR达44.13±2.76），重建图像中条纹伪影明显减少。这项研究为低剂量扫描条件下的4D-CBCT图像增强提供了新思路，具有重要临床意义。

　　

在精准放疗的时代，医生们迫切需要清晰可靠的影像来追踪肿瘤随呼吸运动的轨迹。4D-CBCT（四维锥形束计算机断层扫描）技术应运而生，它能够捕捉患者呼吸周期内器官的动态变化，为肿瘤靶区的精准定位提供关键支持。然而，这项技术面临着一个棘手难题：由于需要将投影数据按呼吸时相分组重建，每个时相可用的投影数量严重不足，导致重建图像出现明显的条纹伪影，就像老式电视机信号不良时的雪花干扰，严重影响临床诊断的准确性。

传统解决方案要么增加扫描时间从而增加患者辐射剂量，要么采用传统插值方法但效果有限。有没有一种方法，既能提升图像质量，又不需要增加辐射风险？这正是Jayroop Ramesh等研究人员在《IEEE Open Journal of Engineering in Medicine and Biology》上发表的研究要解决的核心问题。

研究人员独辟蹊径，将自然场景下的视频帧插值技术"迁移"到医学影像领域。他们系统评估了七种先进的预训练深度学习模型，包括RIFE（实时中间流估计）、DAIN（深度感知视频帧插值）等，同时还创新性地提出了基于卷积特征图的多输出回归机器学习方法。这些算法原本用于生成视频中流畅的慢动作效果，现在被用来"预测"X射线投影之间的中间状态。

研究采用数字模体（XCAT模体）和临床患者数据集进行验证，其中临床数据来自弗吉尼亚联邦大学提供的匿名CBCT扫描数据，同时还在4D-Lung、LIDC（肺图像数据库联盟）和SPARE Elekta等公共数据库上测试了方法的泛化能力。评估指标包括结构相似性指数（SSIM）、峰值信噪比（PSNR）和均方误差（MSE）等客观标准。

回归模型的性能表现

研究发现，线性回归和K近邻回归器在大多数数据集上表现优异，SSIM均达到0.99以上。特别是在多患者数据集上训练时，线性回归在LIDC数据库上取得了95.42 dB的惊人PSNR值，证明了大样本训练的重要性。这种方法计算资源需求低，适合在资源受限的设备上部署。

深度学习模型的优势

在深度学习模型中，RIFE算法表现最为突出，在所有数据集上 consistently保持领先。其成功归因于IFNet（中间流网络）块的渐进式细化策略，能够保持 robust 的全局表示。如图2所示，插值投影与原始投影的差异图像显示，虽然某些区域厚度和分布略有变化，但整体结构保真度极高，运动伪影得到有效控制。

4D-CBCT重建质量提升

最具说服力的证据来自实际重建效果对比。研究人员将插值投影与原始投影结合，使用Feldkamp-Davis-Kress（FDK）算法进行4D-CBCT重建。如表5所示，随着插值投影数量的增加，所有评估指标均显著改善。当使用36个原始投影加245个插值投影时，SSIM从0.471提升至0.794，PSNR从20.11提升至27.621。

图4直观展示了重建效果的改善：仅使用36个原始投影的重建图像（图4b）条纹伪影严重，而加入插值投影后（图4c），伪影明显减少，同时避免了使用全部360个投影时（图4a）因跨呼吸时相重建导致的运动模糊。

空间分辨率和噪声水平分析

图5的边缘剖面分析进一步证实，使用更多同相投影重建的图像边缘更锐利，像素强度在幅度和稳定性方面均有改善。表6显示，在选定感兴趣区域（ROI）内，随着插值投影的加入，噪声水平（以强度标准差衡量）显著降低，进一步证实了该方法在减少条纹伪影方面的有效性。

这项研究的创新之处在于首次系统地将通用视频帧插值算法成功应用于4D-CBCT图像增强，无需针对特定医学影像数据重新训练模型。RIFE算法凭借其高效的中间流估计机制，在保持图像结构细节方面表现出色。该方法为临床提供了一种切实可行的解决方案，在不增加扫描时间和辐射剂量的前提下，显著提升4D-CBCT图像质量。

研究结果证实，基于迁移学习的投影插值策略能够有效平衡图像锐度与伪影抑制之间的矛盾。随着人工智能技术在医学影像领域的深入应用，这种"跨界"创新思路将为解决更多临床难题提供启示，最终惠及广大患者。