来自纽约州特洛伊（Troy）的伦斯勒理工学院（RPI）和波士顿麻省总医院（MGH）的一组研究人员开发了一种深度学习模型，称为模块化自适应处理神经网络（MAP-NN），可在放射科医师的指导下逐步降低低剂量CT图像的噪声，直到达到最佳诊断质量。作为对比，研究人员将AI产生的结果与来自三个不同厂商所得到的迭代重建的图像结果进行了双盲测试，三位来自MGH的临床经验丰富的放射科医师发现在绝大多数情况下该算法产生的图像与使用商用迭代算法处理的图像质量相当甚至更好。同时基于深度学习的方法可以更快速地处理图像。

“深度学习方法已经可以有效地与迭代重建解决方案竞争，并可能取代迭代重建方法，”由RPI的Ge Wang领导的小组写道。

虽然商用迭代重建方法有助于降低CT扫描中的辐射剂量，但它们也可以改变图像内容或增加人为的结构。为了研究深度学习的真实有效性，研究人员在MGH提供的低剂量CT扫描中测试了MAP-NN模型。

CT图像来自三家不同供应商的扫描仪，包括30次常规腹部研究和30次常规胸部检查。对于每个LDCT扫描，使用每个供应商的特定商业迭代重建算法以及滤波反投影（FBP）方法分别重建扫描数据。

然后，研究人员将深度学习模型应用于FBP重建图像，以便为所有病例产生三个不同的AI去噪图像。接下来，三位放射科医师根据噪声抑制和结构保真两个方面独立评分，比较各类算法的重建效果。

对于腹部成像病例，对于某两家厂商，放射科医师更倾向于认可深度学习重建的结果。对于第三家，深度学习重建的结果和迭代结果具有统计上的可比性。在胸部检查中，深度学习图像和迭代重建图像被判断为具有统计可比性。

进一步深入研究数据，研究人员发现平均来说深度学习方法比迭代重建方法获得的噪声抑制和结构保真程度的得分要高。