颅脑计算机断层扫描（CT）作为一种快速成像方式，可以无创地获得脑组织和脑结构的信息，已被广泛用于各种脑部疾病的临床诊断。在急诊科等环境中，患者往往容易出现不受控制的头部运动，导致运动伪影的出现，影响CT图像的诊断准确性。因此，这成为颅脑CT成像的一个重要质量限制因素。如何将脑部CT的运动伪影降至最低以减少重复扫描和额外的辐射，是现阶段临床上关注的焦点。

最近，人工智能（AI）在医学成像领域表现出了卓越的临床价值及前景，有助于病灶分割、疾病检测、图像重建和运动伪影校正。为了减少颅脑CT图像的运动伪影，且不需要重新扫描或额外的运动跟踪系统，Su等学者最近报道了一种基于人工智能的MC重建算法，使用多尺度卷积神经网络（CNN）来学习和减少运动伪影。然而，这项研究只关注了概念验证和技术效率，而临床表现仍然未知。

近日，发表在European Radiology杂志的一项研究验证了之前提出的基于人工智能的MC算法在临床颅脑CT应用中的临床应用效果，为临床有效地抑制运动伪影、改善整体图像质量、提高颅脑CT的诊断信心提供了支持。

本项研究总共纳入了53个病例，每位患者均在第一次扫描中发现了运动伪影而进行了重新扫描。重新扫描的图像用混合迭代重建（IR）算法（参考组）进行重建，而第一次扫描的图像则用混合IR（运动组）和MC算法（MC组）进行重建。从标准差（SD）、信噪比（SNR）、对比度噪声比（CNR）、平均平方误差（MSE）、峰值信噪比（PSNR）、结构相似度指数（SSIM）和相互信息（MI）以及主观评分等方面比较图像质量。每个病例的诊断性能都相应地通过病变可检测性或Alberta卒中项目早期CT评分（ASPECTS）评估来进行评价。 

与运动伪影组相比，MC组的SNR和CNR明显增加。与参考组相比，MSE、PSNR、SSIM和MI分别提高了44.1%、15.8%、7.4%和18.3%（所有P<0.001）。主观图像质量指标在MC组的得分高于运动组（P < 0.05）。在ASPECTS评估中，MC组比运动组的病变可探测性更强，AUC也更高（0.817 vs 0.614）。 

图 参考图像、运动图像和校正图像的比较。SSIM，结构相似度指数；PSNR，峰值信噪比；MSE，平均平方误差；MI，相互信息

综上所述，本研究对基于人工智能的颅脑CT重建算法进行了临床验证。该算法在减少运动伪影和提高图像质量方面表现出出色的能力，有助于提高颅脑CT检查的成功率、避免不必要的重新扫描，增加影像科医生的诊断信心，最终加速急诊科颅脑CT扫描的工作流程。

原文出处：

Leilei Zhou,Hao Liu,Yi-Xuan Zou,et al.Clinical validation of an AI-based motion correction reconstruction algorithm in cerebral CT.DOI:10.1007/s00330-022-08883-4