从X光片生成合成计算机断层扫描（CT）样成像的策略：一项范围审查|文献速递-医学影像人工智能进展

Title

题目

Strategies for generating synthetic computed tomography-like imaging from radiographs: A scoping review

从X光片生成合成计算机断层扫描（CT）样成像的策略：一项范围审查

Background

背景

Advancements in tomographic medical imaging have revolutionized diagnostics and treatment monitoring by offering detailed 3D visualization of internal structures. Despite the significant value of computed tomography (CT), challenges such as high radiation dosage and cost barriers limit its accessibility, especially in low- and middle-income countries. Recognizing the potential of radiographic imaging in reconstructing CT images, this scoping review aims to explore the emerging field of synthesizing 3D CT-like images from 2D radiographs by examining the current methodologies.

断层医学成像技术的进步通过提供内部结构的详细三维可视化，彻底改变了疾病诊断和治疗监测方式。尽管计算机断层扫描（CT）具有重大价值，但诸如辐射剂量高以及成本障碍等问题限制了其可及性，尤其是在中低收入国家。鉴于 X 光成像在重建 CT 图像方面的潜力，本项范围审查旨在通过研究当前的方法，探索从二维 X 光片合成类似三维 CT 图像这一新兴领域。

01

文献速递介绍

计算机断层扫描（CT）已成为医学成像的基石，它以非侵入性的方式提供了内部解剖结构的详细断层或三维可视化图像。构建CT图像需要围绕人体采集100多张X光投影图像，然后使用雷登变换算法进行处理（赫尔曼，2009年；豪斯菲尔德，1973年）。尽管CT技术具有重要的成像价值，但它也存在一些局限性。其辐射暴露量明显高于X光片，并且如果需要连续检查，辐射剂量会累积（布伦纳和霍尔，2007年；索迪克森等人，2009年）。此外，CT成像技术高昂的采集和维护成本限制了它的可及性，尤其是在中低收入国家（某组织，2011年）。在其他临床场景中，例如临床前的紧急情况，或者需要将不稳定的患者从重症监护室（ICU）转移到放射科进行检查时，CT成像可能并不实用。另一方面，X光成像在全球几乎随处可得，并且提供了一种更经济实惠、便于移动、辐射剂量低的检查方式，因此更容易被人们接受。 因此，以往的研究一直在探索传统CT成像的替代方案，旨在在保持高可视化质量的同时降低辐射剂量。人们已经探索了一些策略，例如统计形状模型（SSM），用于从二维视图重建三维模型。然而，统计形状模型成本高昂且初始化速度缓慢，这限制了它在临床上的应用（布朗克等人，2012年；哈斯勒等人，2009年；伊利斯和索莫斯科伊，2012年）。 在过去十年中，由于计算机性能的显著提升，深度学习在医学成像领域展现出了巨大的潜力（阿加瓦尔等人，2021年；蔡等人，2020年；金等人，2019年）。特别是近年来，生成式人工智能（AI）的发展引发了人们对基于深度学习生成合成CT图像的更多兴趣（古德费洛等人，2014年；勒昆等人，2015年）。合成CT图像可以使用诸如卷积神经网络（CNN）或生成对抗网络（GAN）等深度学习架构来重建（顾等人，2018年；维阿托夫斯基和B）。作为模型输入，可以利用来自多个领域的成像数据，例如磁共振成像（MRI）、超声（US）、低剂量CT（LDCT）或普通X光片（韩，2017年；英等人，2019年）。 尽管从二维X光片合成三维CT图像具有明显的优势，但到目前为止，描述基于X光的CT合成策略的文献却很少（聂等人，2016年）。鉴于这一空白，本项范围审查的目的是对当前可获得的关于从二维X光片合成三维CT图像策略的文献进行全面评估。通过填补这一空白，我们的审查旨在提供有价值的见解，为未来的研究工作奠定基础，目标是推动基于二维X光片的合成三维CT图像生成技术的发展。

Method

方法

A scoping review was carried out following PRISMA-SR guidelines. Eligibility criteria for the articles included full-text articles published up to September 9, 2024, studying methodologies for the synthesis of 3D CT images from 2D biplanar or four-projection x-ray images. Eligible articles were sourced from PubMed MEDLINE, Embase, and arXiv.

本范围审查按照 PRISMA-SR 指南进行。纳入文章的合格标准包括截至 2024 年 9 月 9 日发表的全文文章，这些文章需研究从二维双平面或四投影 X 光图像合成三维 CT 图像的方法。合格的文章来自 PubMed MEDLINE、Embase 和 arXiv 数据库。

Conclusion

结论

This scoping review summarizes current strategies and challenges in synthetic imaging generation. The development of 3D CT-like imaging from 2D radiographs could reduce radiation risk while simultaneously addressing financial and logistical obstacles that impede global access to CT imaging. Despite initial promising results, the field encounters challenges with varied methodologies and frequent lack of proper validation, requiring further research to define synthetic imaging’s clinical role.

本范围审查总结了当前合成成像生成方面的策略和挑战。从二维 X 光片生成类似三维 CT 的成像可以降低辐射风险，同时解决阻碍全球获得 CT 成像的资金和后勤障碍。尽管已取得了一些初步的积极成果，但该领域仍面临方法多样以及常常缺乏适当验证的挑战，需要进一步研究来明确合成成像在临床中的作用。

Results

结果

76 studies were included. The majority (50.8 %, n = 30) were published between 2010 and 2020 (38.2 %, n = 29) and from 2020 onwards (36.8 %, n = 28), with European (40.8 %, n = 31), North American (26.3 %, n =20), and Asian (32.9 %, n = 25) institutions being primary contributors. Anatomical regions varied, with 17.1 % (n = 13) of studies not using clinical data. Further, studies focused on the chest (25 %, n = 19), spine and vertebrae (17.1 %, n = 13), coronary arteries (10.5 %, n = 8), and cranial structures (10.5 %, n = 8), among other anatomical regions. Convolutional neural networks (CNN) (19.7 %, n = 15), generative adversarial networks (21.1 %, n = 16) and statistical shape models (15.8 %, n = 12) emerged as the most applied methodologies. A limited number of studies included explored the use of conditional diffusion models, iterative reconstruction algorithms, statistical shape models, and digital tomosynthesis.

共纳入 76 项研究。大多数（50.8%，n = 30）研究发表于 2010 年至 2020 年间（38.2%，n = 29）以及 2020 年以后（36.8%，n = 28），主要贡献机构来自欧洲（40.8%，n = 31）、北美（26.3%，n = 20）和亚洲（32.9%，n = 25）。研究涉及的解剖区域各不相同，17.1%（n = 13）的研究未使用临床数据。此外，研究重点涉及胸部（25%，n = 19）、脊柱和椎骨（17.1%，n = 13）、冠状动脉（10.5%，n = 8）和颅骨结构（10.5%，n = 8）等解剖区域。卷积神经网络（CNN）（19.7%，n = 15）、生成对抗网络（21.1%，n = 16）和统计形状模型（15.8%，n = 12）成为应用最多的方法。仅有少数研究探索了条件扩散模型、迭代重建算法、统计形状模型和数字断层合成的应用。

Figure

图

Fig. 1. PRISMA flowchart.

图1：系统评价和荟萃分析优先报告条目（PRISMA）流程图。

Fig. 2. Overview of studies included based on their date of publication and relative occurrence, grouped by methodology.

图2：根据纳入研究的发表日期和出现频次进行的概述，按所采用的方法进行分组。

Fig. 3. Synthetic computed tomographic image based on internal validation dataset of spine from biplanar radiographs A) Synthetic CT in coronal, sagittal, and axial planes; B) Ground truth masked CT in corresponding planes; C) Input digitally reconstructed radiograph. Data sourced from Sekuboyina et al. (Sekuboyina et al., 2021), and figure derived from a model first published by us in (Zanier et al., 2024).

图3：基于双平面X光片的脊柱内部验证数据集生成的合成计算机断层扫描（CT）图像。A）冠状面、矢状面和轴面的合成CT图像；B）相应平面的真实掩模CT图像；C）输入的数字重建X光片。数据来源于塞库博伊纳等人（Sekuboyina等人，2021年），该图源自我们首次在（扎尼尔等人，2024年）中发表的模型。

Table

表

Table 1 Articles included in scoping review (n = 76).

表1 纳入范围审查的文章（n = 76）