計(jì)算機(jī)斷層掃描（CT）是檢測(cè)腦出血（ICH）的首選方式。臨床中，據(jù)流行病學(xué)統(tǒng)計(jì)，有近一半的腦出血患者在24 h內(nèi)發(fā)生死亡，所以需要迅速、及時(shí)的評(píng)估和處理。在實(shí)際中，隨著腦部CT掃描的廣泛應(yīng)用，醫(yī)生需要花費(fèi)大量時(shí)間來診斷CT圖像，診斷效率有待進(jìn)一步提高。此外，腦出血種類較多，出血區(qū)域也很容易與鈣化或偽影混淆，對(duì)于經(jīng)驗(yàn)豐富的放射科醫(yī)生，腦出血及其亞型的準(zhǔn)確診斷極具有挑戰(zhàn)性。因此，快速精準(zhǔn)檢測(cè)腦出血具有重要臨床意義，其可縮短腦出血診斷時(shí)間，提高診斷精度，進(jìn)而快速采取干預(yù)治療措施，最終改善臨床結(jié)果。

近年來，基于大數(shù)據(jù)和深度學(xué)習(xí)的腦出血檢測(cè)技術(shù)被廣泛提出，且表現(xiàn)出優(yōu)異的潛力，其通過設(shè)計(jì)深度學(xué)習(xí)網(wǎng)絡(luò)和算法挖掘腦部CT影像大數(shù)據(jù)中數(shù)據(jù)表征，以實(shí)現(xiàn)ICH準(zhǔn)確檢測(cè)。例如，Lee等提出了一種基于人工神經(jīng)網(wǎng)絡(luò)的ICH檢測(cè)算法，用于檢測(cè)ICH及其亞型。實(shí)驗(yàn)結(jié)果表明，該算法獲得了敏感性值為0.78，特異性值為0.80。Wang等提出了基于卷積神經(jīng)網(wǎng)絡(luò)和循環(huán)神經(jīng)網(wǎng)絡(luò)的ICH檢測(cè)算法，能較好的模擬放射科醫(yī)生的診斷過程，以實(shí)現(xiàn)對(duì)急性腦出血的檢測(cè)和亞型的分類。該模型在2019-RSNA腦出血挑戰(zhàn)賽數(shù)據(jù)集上對(duì)腦出血分類的AUC達(dá)到0.988，對(duì)腦出血5種亞型分類的AUC分別為0.984、0.992、0.996、0.985和0.983，達(dá)到了放射科醫(yī)生的水平。Chilamkurthy等分別對(duì)腦出血、中線移位和顱骨骨折三個(gè)子任務(wù)訓(xùn)練了單獨(dú)的深度學(xué)習(xí)模型，該模型在Qure25k數(shù)據(jù)集和CQ500數(shù)據(jù)集上對(duì)腦出血以及亞型分類的AUC都達(dá)到了90%，實(shí)現(xiàn)了較好的診斷性能。Li等提出了一個(gè)切片依賴學(xué)習(xí)模型，通過從腦CT圖像中學(xué)習(xí)圖像特征，并從不同的切片之間的相關(guān)性來預(yù)測(cè)異常。該模型在CQ500數(shù)據(jù)集上實(shí)現(xiàn)了0.6757的準(zhǔn)確率，0.6104的召回率，0.6412的F1分?jǐn)?shù)，AUC達(dá)到了0.8934。這些研究工作表明，未來深度學(xué)習(xí)在腦出血檢測(cè)的臨床應(yīng)用中具有廣闊的前景。

盡管基于深度學(xué)習(xí)網(wǎng)絡(luò)的腦部CT圖像ICH檢測(cè)算法的診斷性能較常規(guī)技術(shù)有一定提升，但其魯棒性依然值得探究，尤其是在低劑量CT成像情況下。由于劑量輻射危害，臨床中常采用降低管電流或管電壓進(jìn)行低劑量CT成像，但此策略容易導(dǎo)致重建CT圖像中引入噪聲和偽影。噪聲和偽影會(huì)降低圖像質(zhì)量，繼而影響后續(xù)圖像分析處理（如病灶檢測(cè)，分割和分類等），特別是基于深度學(xué)習(xí)網(wǎng)絡(luò)的圖像分析算法。目前在自然圖像中關(guān)于噪聲對(duì)深度學(xué)習(xí)模型影響的研究較多，這些研究將對(duì)抗噪聲添加到輸入圖像中測(cè)試模型性能的變化。對(duì)抗噪聲是一種通過人為設(shè)計(jì)的優(yōu)化算法產(chǎn)生的擾動(dòng)，主要用于分析深度學(xué)習(xí)模型中的漏洞以及提高模型的魯棒性。在CT圖像領(lǐng)域，這些噪聲與自然圖像中生成擾動(dòng)的方法相似，關(guān)注的是模型在實(shí)際應(yīng)用中的系統(tǒng)安全性問題。而本研究中噪聲是基于CT系統(tǒng)建模得到的噪聲，是低劑量成像下CT圖像中真實(shí)存在的噪聲。雖然低劑量重建算法可重建出高質(zhì)量CT圖像以降低噪聲對(duì)深度學(xué)習(xí)模型的影響，但這些算法的成像結(jié)果對(duì)模型檢測(cè)性能的影響尚不清楚。因此，本工作主要開展低劑量CT成像算法對(duì)基于深度學(xué)習(xí)網(wǎng)絡(luò)的腦部CT圖像ICH檢測(cè)算法性能影響研究。

為了探究上述問題，本研究首先獲取了正常劑量（定義為100%dose）的腦CT圖像，并對(duì)該數(shù)據(jù)進(jìn)行了3種低劑量仿真（30%、25%和20%dose）。用7 種具有代表性的CT圖像重建算法對(duì)這些低劑量數(shù)據(jù)進(jìn)行圖像重建，由于重建算法對(duì)噪聲抑制能力不同，所以重建圖像包含不同程度的噪聲。本研究采用基于深度學(xué)習(xí)方法的模型對(duì)正常劑量圖像和7種重建算法得到的圖像進(jìn)行腦出血檢測(cè)。通過與正常劑量圖像的腦出血檢測(cè)結(jié)果進(jìn)行比較，評(píng)估不同重建算法對(duì)腦出血檢測(cè)性能的影響。

1 方法

圖1展示了腦出血檢測(cè)的工作流程，主要包括低劑量仿真、圖像重建和ICH檢測(cè)3個(gè)步驟。具體地，首先對(duì)原始正常劑量的腦CT圖像進(jìn)行仿真獲得低劑量數(shù)據(jù)。在訓(xùn)練階段，應(yīng)用高低劑量配對(duì)數(shù)據(jù)進(jìn)行深度學(xué)習(xí)網(wǎng)絡(luò)訓(xùn)練，獲得重建算法模型。在測(cè)試階段，分別用不同的CT圖像重建算法對(duì)低劑量數(shù)據(jù)進(jìn)行重建。本文采用了7種的重建算法，包括濾波反投影算法（FBP）、懲罰加權(quán)最小二乘的全變分（PWLS-TV）、非局部均值濾波（NLM）、3維塊匹配（BM3D）、殘差編碼解碼卷積神經(jīng)網(wǎng)絡(luò)（REDCNN）、FBP卷積神經(jīng)網(wǎng)絡(luò)（FBPConvNet）和圖像恢復(fù)迭代殘差卷積網(wǎng)絡(luò)（IRLNet）。然后，將不同算法重建的圖像和正常劑量的圖像輸入到腦出血檢測(cè)模型（CNN-LSTM）中進(jìn)行腦出血自動(dòng)檢測(cè)。最后，通過與正常劑量圖像的腦出血檢測(cè)性能進(jìn)行比較，評(píng)估了不同重建算法對(duì)腦出血檢測(cè)性能的影響。、

1.1 低劑量CT仿真

文獻(xiàn)提出了一種簡(jiǎn)單的基于原始高劑量掃描的正弦圖數(shù)據(jù)的低劑量CT仿真模擬策略。由于低劑量CT圖像在投影域?qū)?shù)變換前的噪聲服從泊松分布和高斯分布，該方法通過在正常劑量圖像的正弦圖數(shù)據(jù)中加入了獨(dú)立泊松噪聲和高斯噪聲獲得低劑量數(shù)據(jù)。具體仿真過程如下：

女子被土狼襲擊之后，青辰曾近距離地觀察過那傷口，很深。那時(shí)與現(xiàn)在只隔著六七個(gè)時(shí)辰，但現(xiàn)在的傷口，卻似乎比那時(shí)要淺著許多。青辰望向其他人，其他人似乎并沒有注意到這種異象。

1.2 圖像重建算法

四川工商學(xué)院中興通信學(xué)院從2016級(jí)起，就采用“家校企生”四方機(jī)制聯(lián)系制度，即建立一種家長(zhǎng)、學(xué)校、學(xué)生與企業(yè)的四方聯(lián)動(dòng)機(jī)制，形成互動(dòng)機(jī)制，將學(xué)生家長(zhǎng)橋接起來，共同幫助學(xué)生從學(xué)生到準(zhǔn)職業(yè)人、準(zhǔn)職業(yè)人到職業(yè)人的過渡，幫助學(xué)生正確認(rèn)識(shí)自己，督促自己成長(zhǎng)，朝正確清晰的道路上發(fā)展。

隨著我國(guó)對(duì)高等教育的大力投入，越來越多的人有機(jī)會(huì)進(jìn)入高校學(xué)習(xí)，每年都有大量的畢業(yè)生從學(xué)校步入社會(huì)。就業(yè)大軍日益龐大，教育部表示，2018年全國(guó)約有820萬大學(xué)畢業(yè)生，就業(yè)競(jìng)爭(zhēng)越來越激烈，就業(yè)壓力越來越大，就業(yè)形勢(shì)越來越嚴(yán)峻。與此同時(shí)，企業(yè)招人難現(xiàn)象也越來越普遍。在人力市場(chǎng)供需兩旺的表面下，如何解決大學(xué)生“就業(yè)難”，企業(yè)“招聘難”的“兩難”問題成為社會(huì)熱點(diǎn)問題，職前培訓(xùn)作為目前解決此熱點(diǎn)問題的途徑之一，受到社會(huì)各界的廣泛關(guān)注。

電路功耗包括動(dòng)態(tài)功耗和靜態(tài)功耗[13]，基于零延遲假設(shè)，動(dòng)態(tài)功耗常使用電路開關(guān)活動(dòng)進(jìn)行評(píng)價(jià)[4～7]，而靜態(tài)功耗常采用電路泄漏電流進(jìn)行評(píng)價(jià)[8,13,14].假設(shè)電路包括g個(gè)邏輯門，第k個(gè)邏輯門及其輸出信號(hào)使用gk表示，由文獻(xiàn)[6]可以得到如式(4)所示的電路開關(guān)活動(dòng)計(jì)算公式，也稱其為動(dòng)態(tài)功耗計(jì)算公式.假設(shè)邏輯門gk的輸入數(shù)為Ik，其第l個(gè)輸入信號(hào)使用sk,l表示，由文獻(xiàn)[14]可以得到如式(5)所示的電路泄漏電流計(jì)算公式，也稱其為靜態(tài)功耗計(jì)算公式.

1.2.2 NLM NLM算法作為傳統(tǒng)低劑量CT圖像后處理代表性算法，其思想是對(duì)同一幅圖像中具有相同性質(zhì)的區(qū)域進(jìn)行分類并加權(quán)平均更新像素，獲得去噪后的圖像。具體地，NLM 算法以參考圖像塊為中心，然后在整幅圖像中尋找相似區(qū)域，最后對(duì)這些區(qū)域加權(quán)求平均，能夠很好地去除圖像中存在的高斯噪聲。

1.2.3 BM3D BM3D算法是目前公認(rèn)效果最優(yōu)的圖像恢復(fù)算法之一，該算法主要用到了非局部塊匹配的思想，具體為通過將目標(biāo)圖像塊與相鄰圖像塊進(jìn)行匹配，將若干相似的圖像塊整合為一個(gè)三維矩陣，在三維空間進(jìn)行濾波處理，再將結(jié)果反變換融合到二維，形成去噪后的圖像。該算法去噪效果顯著，可以得到較高的峰值信噪比。

（1）獲得初始?xì)埐顖D像：對(duì)干凈圖像-噪聲圖像對(duì)進(jìn)行訓(xùn)練得到去噪器，去噪后的圖像和噪聲圖像相減獲得初始?xì)埐顖D像，初始的殘差圖像幾乎包含了所有的噪聲和偽影。

圖7A～D分別表示正常劑量圖像和不同重建算法在3種低劑量下生成的圖像中的腦出血檢測(cè)的正確率、精準(zhǔn)度、召回率和F1分?jǐn)?shù)。通過圖7可以清楚地看出，隨著掃描劑量的降低，腦出血檢測(cè)的性能逐漸下降。其中，F(xiàn)BP 重建算法生成的圖像腦出血檢測(cè)效果最差，IRLNet重建算法生成的圖像腦出血檢測(cè)效果最好，基本上能達(dá)到和正常劑量一樣的檢測(cè)效果。

本文應(yīng)用的腦出血檢測(cè)模型是CNN-LSTM，該模型通過將卷積神經(jīng)網(wǎng)絡(luò)（CNN）與長(zhǎng)短期記憶機(jī)制（LSTM）相結(jié)合，對(duì)腦出血及其亞型進(jìn)行預(yù)測(cè)。其中，CNN主要用于腦CT圖像的特征提取，而LSTM負(fù)責(zé)將病人所有切片的特征連接起來，最后綜合考慮該病人所有切片的特征輸出預(yù)測(cè)結(jié)果。實(shí)驗(yàn)結(jié)果顯示該模型的加權(quán)對(duì)數(shù)損失為0.0522，與RSNA挑戰(zhàn)排行榜上的前3%的性能相當(dāng)。所以本研究使用預(yù)訓(xùn)練好的CNNLSTM模型來測(cè)試不同重建算法重建后的腦CT圖像。值得注意的是，理論上CNN-LSTM模型可以用其他腦出血檢測(cè)方法替代。

1.2.4 REDCNN REDCNN算法作為基于深度學(xué)習(xí)網(wǎng)絡(luò)的低劑量CT圖像后處理代表性算法，其是一個(gè)結(jié)合了自編碼器、反卷積網(wǎng)絡(luò)和短連接的殘差網(wǎng)絡(luò)。REDCNN算法由10個(gè)網(wǎng)絡(luò)層組成，包括5個(gè)卷積層和5個(gè)反卷積層。卷積層可以看作是濾波器進(jìn)行圖像去噪，但濾波可能會(huì)導(dǎo)致圖像細(xì)節(jié)上的損失，而反卷積層能夠?qū)D像進(jìn)行恢復(fù)。因此，對(duì)稱使用卷積層和反卷積層進(jìn)行編碼和解碼就能夠在去噪的同時(shí)更好地保留圖像細(xì)節(jié)。REDCNN算法采用了結(jié)合短連接的殘差學(xué)習(xí)方法進(jìn)行訓(xùn)練，圖像噪聲和偽影從低到高被逐級(jí)抑制，結(jié)構(gòu)細(xì)節(jié)也能夠很好地保留下來，更有利于深層網(wǎng)絡(luò)的訓(xùn)練。

（2）估計(jì)殘差圖像高頻細(xì)節(jié)：對(duì)初始?xì)埐顖D像進(jìn)行二維離散小波分析，由于低頻波段有一些重要的圖像特征，IRLNet算法利用小波域的高頻細(xì)節(jié)來獲得殘差圖像中的偽影信息。

（3）圖像細(xì)節(jié)恢復(fù)：由于圖像在去噪的過程丟失了一些細(xì)節(jié)，IRLNet算法對(duì)經(jīng)過小波處理的圖像進(jìn)行了圖像恢復(fù)工作。該過程通過小波圖像-干凈圖像對(duì)訓(xùn)練殘差網(wǎng)絡(luò)對(duì)圖像進(jìn)行進(jìn)一步的恢復(fù)。

1.3 腦出血檢測(cè)模型

1.2.6 IRLNet IRLNet算法是由Wang等人提出的一種迭代殘差偽影學(xué)習(xí)算法，該算法能夠提高傳統(tǒng)殘差網(wǎng)絡(luò)的重建性能，在降低噪聲和偽影、提高低對(duì)比度目標(biāo)的可檢測(cè)性和保持重建圖像的分辨率等方面具有很好的效果。該算法分為3個(gè)步驟：獲得初始?xì)埐顖D像、估計(jì)殘差圖像高頻細(xì)節(jié)和圖像細(xì)節(jié)恢復(fù)。

1.4 實(shí)驗(yàn)數(shù)據(jù)

本研究基于2個(gè)獨(dú)立的醫(yī)學(xué)數(shù)據(jù)集，建立了一個(gè)醫(yī)用CT圖像腦出血檢測(cè)數(shù)據(jù)集。數(shù)據(jù)集1來自于一個(gè)開源的多中心的腦部數(shù)據(jù)集CQ500數(shù)據(jù)集。該數(shù)據(jù)集提供了491 名患者的193,317 張靜態(tài)腦部CT 掃描切片。這些圖像由三位分別有8年、12年和20年的頭顱CT解譯經(jīng)驗(yàn)的放射科醫(yī)生獨(dú)立標(biāo)注，包括有無腦出血，如果有，判斷其類型：腦實(shí)質(zhì)出血（IPH）、腦室內(nèi)出血（IVH）、蛛網(wǎng)膜下出血（SAH）、硬膜下出血（SDH）、硬膜外出血（EDH）。其次，判斷中線位移和質(zhì)量效應(yīng)是否存在。最后判斷骨折是否存在。在標(biāo)注過程中，如果三位放射科醫(yī)生對(duì)某一項(xiàng)研究結(jié)果沒有達(dá)成一致意見，則以多數(shù)的解釋作為最終診斷。本實(shí)驗(yàn)主要研究腦出血及其亞型的自動(dòng)檢測(cè)，不考慮中線偏移和骨折。本數(shù)據(jù)集包括150例病人腦出血CT圖像。數(shù)據(jù)集2來自于北美放射學(xué)會(huì)（RSNA）舉辦的ICH檢測(cè)比賽數(shù)據(jù)集（https://www.kaggle.com/c/rsna-intracranial-hemorrhage-detection.）。該數(shù)據(jù)集對(duì)病人的每一個(gè)層面都進(jìn)行了腦出血類型的標(biāo)注。本數(shù)據(jù)集包括50例病人腦出血CT圖像。本實(shí)驗(yàn)從數(shù)據(jù)集1中選擇了50例作為訓(xùn)練數(shù)據(jù)，用于訓(xùn)練基于深度學(xué)習(xí)的重建算法，剩余的150例作為測(cè)試數(shù)據(jù)，用于測(cè)試不同重建算法的腦出血檢測(cè)性能。測(cè)試數(shù)據(jù)包括105例IPH、23例IVH、32例SAH、42例SDH和3例EDH，具體如圖2所示。

目前，已落地的越商回歸項(xiàng)目亮點(diǎn)紛呈。如由蘇州越商、中翔集團(tuán)董事長(zhǎng)郭獻(xiàn)斌投資建設(shè)的紹興溫泉城項(xiàng)目，已累計(jì)投入7.31億元，其中2011年度投入2億元的一期工程溫泉接待中心、景區(qū)生態(tài)停車場(chǎng)等已經(jīng)開放營(yíng)業(yè)，至今接待游客10萬人次，在省內(nèi)外已產(chǎn)生了較大影響。續(xù)建的溫泉旅游度假區(qū)紹興溫泉城二期投資3億元，將興建溫泉度假酒店、圍棋主題會(huì)館和特色商業(yè)街。新昌籍在滬越商張永江在家鄉(xiāng)新昌投資8.5億元的浙江馨馨家園養(yǎng)老項(xiàng)目將于2012年年底動(dòng)工，預(yù)計(jì)2016年7月建成。

1.5 評(píng)價(jià)指標(biāo)

為評(píng)估不同重建算法對(duì)低劑量CT腦出血檢測(cè)性能的影響，本研究選取了4個(gè)經(jīng)典的評(píng)價(jià)指標(biāo)，包括正確率、精準(zhǔn)率、召回率和F1分?jǐn)?shù)，表達(dá)式如下：

其中TP、FN、TN、FP分別為真陽性數(shù)、假陰性數(shù)、真陰性數(shù)和假陽性數(shù)。值得注意的是，由于本實(shí)驗(yàn)是多標(biāo)簽分類問題，正確率、精準(zhǔn)度和召回率是先計(jì)算每個(gè)二分類的正確率、精準(zhǔn)度和召回率，然后求他們的平均值即為模型對(duì)應(yīng)的正確率、精準(zhǔn)度和召回率。對(duì)于模型對(duì)應(yīng)的F1分?jǐn)?shù)，本實(shí)驗(yàn)使用的是模型對(duì)應(yīng)的精準(zhǔn)度和召回率進(jìn)行計(jì)算的。

定義7 潛在制造能力(MCP)指在原有生產(chǎn)資料基礎(chǔ)及約束條件下，通過一定技術(shù)手段及管理優(yōu)化等方法所能夠達(dá)到的制造能力水平。

1.2.1 PWLS-TV PWLS-TV算法是一種將帶懲罰函數(shù)的最小加權(quán)二乘算法（PWLS）標(biāo)準(zhǔn)與總變分（TV）相結(jié)合的迭代重建算法，其表達(dá)式為：

電力系統(tǒng)在人們生活中扮演不可或缺的角色，對(duì)人們的生活有重要的影響，人們的生活對(duì)電力系統(tǒng)運(yùn)行的安全性要求也越來越高。繼電保護(hù)作為保證電網(wǎng)系統(tǒng)安全可靠運(yùn)行的重要組成部件，在電力系統(tǒng)的運(yùn)行中起著重要的作用。當(dāng)電力系統(tǒng)用出現(xiàn)故障時(shí)，繼電保護(hù)裝置能準(zhǔn)確并快速地動(dòng)作并驅(qū)動(dòng)離故障元件最近的斷路器跳閘，從而降低了故障給電力系統(tǒng)帶來的危害，提高電力系統(tǒng)運(yùn)行的安全穩(wěn)定性。面對(duì)火電廠人為繼電保護(hù)不正確動(dòng)作事故的發(fā)生，應(yīng)該采取積極有效的預(yù)防措施，降低人為因素對(duì)電力系統(tǒng)運(yùn)行的安全性的影響。

2 結(jié)果

2.1 仿真算法生成的低劑量圖像

圖3 展示了正常劑量圖像和在30%、25%和20%dose下用FBP算法重建的圖像，所有的圖像都在腦窗（［0 80］HU）下顯示。圖3的第1列表示兩個(gè)病例在正常劑量下的圖像，第2列、第3列和第4列分別表示在30%、25%和20% dose下用FBP算法重建的圖像。通過圖3的結(jié)果可以看出，在正常劑量下，腦部CT圖像質(zhì)量較好，能夠清楚地看到出血區(qū)域（圖中紅框所示），且出血區(qū)域與周圍組織分界清楚，腦組織的紋理結(jié)構(gòu)清晰。當(dāng)掃描劑量下降時(shí)，腦部CT圖像中會(huì)出現(xiàn)噪聲，信噪比降低，腦組織邊緣模糊，內(nèi)部一些細(xì)小結(jié)構(gòu)會(huì)被噪聲覆蓋（圖中紅箭頭所示）。此外，隨著掃描劑量的降低，圖像中的噪聲越來越大，如在20%dose下，F(xiàn)BP重建出來的圖像根本無法正確識(shí)別內(nèi)部結(jié)構(gòu)，出血區(qū)域也非常模糊。

2.2 不同重建算法生成的圖像

圖4、圖5和圖6分別展示了在3種低劑量（30%、25%和20%dose）掃描下7種重建算法獲得的腦部CT圖像。從實(shí)驗(yàn)結(jié)果可以看出，在3種低劑量下，F(xiàn)BP算法重建的圖像質(zhì)量都較差，圖像中包含大量的噪聲，出血區(qū)域與周圍組織分界不清，腦組織中許多結(jié)構(gòu)無法區(qū)分。除FBP算法外其他的重建算法對(duì)噪聲都有不同程度的抑制。其中，PWLS-TV算法、NLM算法和BM3D算法雖然能夠去除一部分噪聲，但是圖像中腦組織結(jié)構(gòu)仍然比較模糊，特別是當(dāng)噪聲增大時(shí)，去除速度更慢，視覺效果更差?；谏疃葘W(xué)習(xí)的算法（REDCNN、FBPConvNet和IRLNet）去噪效果優(yōu)于傳統(tǒng)的算法，不僅能夠去除圖像中大部分噪聲，而且保留了腦組織結(jié)構(gòu)特征。通過圖4、圖5 和圖6 中REDCNN 算法和FBPConvNet算法重建的結(jié)果可以看出，這兩種算法具有較強(qiáng)的去噪效果，但是它過度平滑了一些精細(xì)的結(jié)構(gòu)。相比之下，IRLNet算法重建的圖像與原始正常劑量圖像的差異最小，基本上保留了所有細(xì)節(jié)，并抑制了大部分噪聲。

2.3 不同重建算法下的腦出血檢測(cè)結(jié)果

無論是在哪種劑量下掃描，深度學(xué)習(xí)重建算法（REDCNN、FBPConvNet 和IRLNet）生成的圖像的檢測(cè)性能都會(huì)優(yōu)于傳統(tǒng)算法（FBP、PWLS-TV、NLM 和BM3D）。例如在30%dose下（表1），深度學(xué)習(xí)的重建算法的正確率能達(dá)到90%以上，F(xiàn)1分?jǐn)?shù)能達(dá)到70%以上，而傳統(tǒng)的算法正確率90%以下，F(xiàn)1分?jǐn)?shù)70%以下。特別的，IRLNet算法生成的圖像的腦出血檢測(cè)性能最好，接近正常劑量下的檢測(cè)性能。此外，由于本實(shí)驗(yàn)是多標(biāo)簽分類任務(wù)，所以更關(guān)注對(duì)于正類的檢測(cè)性能（召回率），通過3個(gè)表的結(jié)果可以看出，IRLNet算法對(duì)應(yīng)的召回率高于其他重建算法（表1～3）。

1.2.5 FBPConvNet FBPConvNet 算法是一種結(jié)合了FBP重建與多分辨率的卷積神經(jīng)網(wǎng)絡(luò)的低劑量CT圖像去噪算法。該算法的網(wǎng)絡(luò)結(jié)構(gòu)是基于U-Net的殘差網(wǎng)絡(luò)，通過將U-Net的多級(jí)分解和多通道濾波與迭代重建過程類比進(jìn)行圖像去噪。此外，該算法將FBP重建后的圖像作為網(wǎng)絡(luò)的輸入，避免了卷積神經(jīng)網(wǎng)絡(luò)在不同坐標(biāo)系之間的轉(zhuǎn)換，同時(shí)也大大簡(jiǎn)化了卷積神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程。該算法在CT稀疏角度重建中取得了較好的結(jié)果，能夠很好地保留圖像的細(xì)節(jié)，在仿真數(shù)據(jù)和真實(shí)數(shù)據(jù)上都取得了良好的效果。

3 討論

臨床中，急性腦疾病特別是腦出血是危及生命的疾病，需要迅速發(fā)現(xiàn)和治療。然而，通過腦部CT圖像很難準(zhǔn)確進(jìn)行腦出血檢測(cè)，即使是經(jīng)驗(yàn)豐富的醫(yī)生也容易誤診。近年來，深度學(xué)習(xí)技術(shù)在臨床實(shí)踐中表現(xiàn)出了明顯的優(yōu)勢(shì)。研究人員試圖利用深度學(xué)習(xí)方法從腦CT圖像中學(xué)習(xí)腦出血自動(dòng)檢測(cè)模型。此外，隨著腦CT掃描的廣泛應(yīng)用，其高劑量風(fēng)險(xiǎn)不容忽視。降低劑量掃描得到的CT圖像往往存在噪聲，從而導(dǎo)致深度學(xué)習(xí)模型預(yù)測(cè)出錯(cuò)誤的結(jié)果。在實(shí)際應(yīng)用中，通常會(huì)在檢測(cè)前對(duì)腦CT圖像進(jìn)行去噪處理，但是不同重建算法的去噪效果對(duì)腦出血的檢測(cè)性能的影響還未研究，所以本文主要探討低劑量CT圖像重建算法對(duì)腦出血檢測(cè)性能的影響。

3)調(diào)節(jié)水資源極差收入，保障水電機(jī)組公平競(jìng)爭(zhēng)，進(jìn)一步放開發(fā)電側(cè)進(jìn)入市場(chǎng)。云南省內(nèi)機(jī)組水電機(jī)組資源差異大、開發(fā)時(shí)間不同、調(diào)節(jié)能力不同，導(dǎo)致水電機(jī)組上網(wǎng)電價(jià)差異很大。目前云南的市場(chǎng)出清辦法為價(jià)差對(duì)模式，主要原因是水電機(jī)組價(jià)格差異大，水電機(jī)組邊際成本又低，如果采用統(tǒng)一出清的方式，出清價(jià)格會(huì)非常低，嚴(yán)重?fù)p害發(fā)電企業(yè)利益。當(dāng)前平衡不同機(jī)組之間上網(wǎng)電價(jià)差異大的方式主要通過政府分配進(jìn)行平衡。通過政府主導(dǎo)來平衡利益的方法在市場(chǎng)建設(shè)之初有助于平衡利益，但長(zhǎng)期會(huì)損害市場(chǎng)主體的能動(dòng)性，不利于形成良好的市場(chǎng)秩序。

通過圖7的結(jié)果可以看出，在低劑量掃描下重建的腦CT圖像會(huì)使腦出血檢測(cè)模型性能降低，同時(shí)劑量越低，腦出血檢測(cè)性能越差。本文推測(cè)，正如圖3的結(jié)果，在低劑量掃描下，重建的腦CT圖像中會(huì)含有噪聲，這些噪聲可能會(huì)覆蓋出血區(qū)域，進(jìn)而導(dǎo)致腦出血檢測(cè)模型預(yù)測(cè)錯(cuò)誤。此外，隨著劑量的降低，重建的腦CT圖像中噪聲越來越大，如在20%dose下，腦CT圖像完全被噪聲覆蓋，出血區(qū)域與周圍組織結(jié)構(gòu)界線不清，出血區(qū)域也非常模糊。所以劑量越低，檢測(cè)性能越差。

通過表1～3和圖7的實(shí)驗(yàn)結(jié)果可以看出，不同的重建算法對(duì)腦出血檢測(cè)性能不同，其中傳統(tǒng)的圖像重建算法（FBP、PWLS-TV、NLM和BM3D）對(duì)應(yīng)的腦出血檢測(cè)性能最差，基于深度學(xué)習(xí)的圖像重建算法（REDCNN、FBPConvNet 和IRLNet）對(duì)應(yīng)的腦出血檢測(cè)性能較好。特別是IRLNet算法，與正常劑量下腦出血檢測(cè)性能差異小。本文根據(jù)圖5（30%dose）的結(jié)果進(jìn)行相應(yīng)解釋，傳統(tǒng)的圖像重建算法（FBP、PWLS-TV、NLM和BM3D）重建的圖像存在腦組織結(jié)構(gòu)細(xì)節(jié)模糊和圖像失真的等情況。REDCNN和FBPConvNet算法具有很強(qiáng)的去噪能力，但是圖像細(xì)節(jié)恢復(fù)能力太差，導(dǎo)致重建后的圖像過于平滑。而IRLNet算法包括圖像去噪和圖像恢復(fù)兩個(gè)部分，在去噪的同時(shí)能夠更好恢復(fù)細(xì)節(jié)，所以重建的圖像噪聲水平低，圖像分辨率高，與正常劑量的圖像相似性最大，相較于其他算法在噪聲抑制和細(xì)節(jié)恢復(fù)方面表現(xiàn)出更優(yōu)越的性能。正因?yàn)镮RLNet算法重建的圖像質(zhì)量最高，最接近正常劑量的圖像，所以IRLNet算法對(duì)應(yīng)的腦出血檢測(cè)性能最好。

今年是國(guó)土資源系統(tǒng)實(shí)施“七五”法制宣傳教育工作的中期階段，嘉興市國(guó)土資源局始終緊緊圍繞浙江省自然資源廳要求的“法治國(guó)土”和市委、市政府要求的“法治嘉興”兩個(gè)法制建設(shè)要求，不斷加強(qiáng)領(lǐng)導(dǎo)、強(qiáng)化措施、聯(lián)系實(shí)際、突出重點(diǎn)、創(chuàng)新形式，積極通過多種形式開展法制宣傳教育活動(dòng)，扎實(shí)推進(jìn)依法行政和普法工作。今年以來，嘉興市國(guó)土資源局在市局機(jī)關(guān)開展“文化頌法治”活動(dòng)，在局機(jī)關(guān)干部職工中廣泛征集以法治宣傳為內(nèi)容的書法、繪畫作品，在市局機(jī)關(guān)走廊內(nèi)建立法治國(guó)土文化宣傳欄，通過機(jī)關(guān)文化進(jìn)行法治宣傳，不斷提高單位干部職工和廣大人民群眾國(guó)土資源保護(hù)意識(shí)和法制觀念。

根據(jù)圖7的結(jié)果還可以看出，對(duì)于IRLNet算法，在3種劑量下對(duì)應(yīng)的腦出血檢測(cè)性能差異不大。該實(shí)驗(yàn)結(jié)果可以證明IRLNet算法具有較好的魯棒性，在不同劑量掃描下都能夠重建出質(zhì)量較好的圖像（圖4～6）。本文推測(cè)，由于IRLNet算法是通過迭代殘差學(xué)習(xí)去除CT圖像中噪聲，對(duì)于不同的劑量，IRLNet算法可以通過迭代的過程去除不同程度的噪聲，所以IRLNet算法魯棒性是較好的。通過上述所有的結(jié)論可以得到提示：在實(shí)際腦出血檢測(cè)任務(wù)中，通過選擇最合適的劑量與重建算法對(duì)患者進(jìn)行掃描，可以實(shí)現(xiàn)降低劑量的同時(shí)又保證腦出血檢測(cè)性能。

本研究探討了不同低劑量CT圖像重建算法對(duì)腦出血檢測(cè)性能的影響，具體是：在3種低劑量下，用7種CT圖像重建算法重建圖像，最后比較這些重建圖像對(duì)腦出血檢測(cè)模型性能的影響。本研究基于CQ500數(shù)據(jù)集和RSNA比賽數(shù)據(jù)集建立了一個(gè)醫(yī)用腦部CT 圖像數(shù)據(jù)集用于實(shí)驗(yàn)分析，包括正常劑量的圖像和基于正常劑量仿真的3種低劑量（30%、25%和20% dose）圖像。本研究分別從不同角度揭示了不同低劑量CT圖像重建算法對(duì)腦出血檢測(cè)性能影響的一系列原因，包括相同重建算法下劑量對(duì)模型性能的影響和在同一劑量下重建算法對(duì)模型性能的影響兩個(gè)角度。這是一個(gè)有用的起點(diǎn)，對(duì)未來臨床中腦出血檢測(cè)劑量?jī)?yōu)化有一定的指導(dǎo)意義。

本文只在仿真的低劑量腦部CT數(shù)據(jù)上來評(píng)估不同重建算法的性能。未來可以考慮在真實(shí)CT圖像數(shù)據(jù)上探討不同重建算法對(duì)腦出血檢測(cè)性能的影響；本實(shí)驗(yàn)都是在已有的重建算法下進(jìn)行相關(guān)分析的，未來會(huì)考慮根據(jù)劑量設(shè)計(jì)重建算法用于腦出血檢測(cè)，實(shí)現(xiàn)真正意義上的低劑量腦出血自動(dòng)檢測(cè)。