融合TV与BM3D的迭代算法在VMAT-CT重建中的突破：提升图像质量与成功率的新策略

《Journal of Imaging》：A TV–BM3D Iterative Algorithm for VMAT-CT Reconstruction Chia-Lung Chien, Beibei Guo and Rui Zhang

为解决容积旋转调强放疗(VMAT)中兆伏计算机断层扫描(VMAT-CT)因投影数据不足导致的图像质量差、重建失败率高的问题，研究人员开展了TV-BM3D迭代重建算法研究。该研究结合全变分(TV)最小化和三维块匹配滤波(BM3D)，利用分裂Bregman方法求解L1-L2正则化问题，并整合了前瞻性图像预处理。结果表明，新算法在体模和真实患者病例中均显著提高了VMAT-CT的重建成功率和图像质量，优于传统的FDK算法，为治疗监测和自适应放疗提供了有前景的在线成像工具。

　　

在精准放疗的时代，实时监测患者体内的解剖结构变化对于确保治疗效果至关重要。容积旋转调强放疗(Volumetric Modulated Arc Therapy, VMAT)作为一种高效的旋转放疗技术，已广泛应用。一个颇具吸引力的设想是，能否直接利用VMAT治疗过程中电子射野影像装置(Electronic Portal Imaging Device, EPID)采集的射野图像，来重建出兆伏计算机断层扫描(Megavoltage Computed Tomography)图像，即VMAT-CT？这可以实现无额外成像剂量和成本的在线监测。然而，现实很骨感。传统的基于Feldkamp–Davis–Kress (FDK)算法和Lambda滤波的重建方法，受限于投影数据不足、截断和模糊等问题，生成的VMAT-CT图像质量往往难以满足临床需求。尽管已有研究通过改进外推方案和系统预处理方法提升了部分部位的图像质量，但对于某些投影数据极端不足的VMAT计划，重建依然会失败。其根源在于Lambda断层扫描(Lambda Tomography, LT)算法的固有局限：当投影采样稀疏或角度范围不足时，重建质量会急剧下降。那么，如何突破这一瓶颈，从“不够用”的数据中重建出“足够好”的图像呢？

研究团队将目光投向了迭代重建算法和压缩感知(Compressed Sensing, CS)理论。压缩感知理论指出，如果一个信号是稀疏的，那么它可以以远低于奈奎斯特采样定理要求的采样数被恢复。在医学图像重建中，全变分(Total Variation, TV)最小化是一种利用图像梯度稀疏性的经典方法，但它假设图像内结构的像素值是分段恒定的，这可能导致图像强度剧烈波动时产生阶梯状伪影。与此同时，三维块匹配滤波(Block-Matching and 3D Filtering, BM3D)作为一种先进的图像去噪方法，通过将相似图像块分组并利用变换域（如傅里叶变换）的稀疏性，也能有效处理图像，且不要求结构内强度均匀，从而避免了阶梯伪影。能否将两者的优势结合，取长补短，打造一个更强大的VMAT-CT重建利器？

为了验证这一设想，由Chia-Lung Chien, Beibei Guo和Rui Zhang组成的研究团队在《Journal of Imaging》上发表了他们的研究成果。他们开发了一种基于压缩感知的TV-BM3D迭代VMAT-CT重建算法。该算法创新性地将TV最小化和BM3D去噪同时纳入正则化框架，利用分裂Bregman方法求解对应的L₁-L₂优化问题。研究还采用了团队先前开发的EPID图像预处理方法（包括在线基于区域的活动轮廓、多叶准直器运动建模和异常值过滤）以获得最佳结果。研究收集了67例VMAT病例（50例体模，17例真实患者）的射野图像，分别使用FDK算法和TV-BM3D迭代算法进行重建并对比。

本研究主要应用了几项关键技术方法：首先，提出了TV-BM3D迭代重建算法核心框架，将局部滤波修正的投影数据保真度项、TV正则化项和BM3D正则化项结合进行优化求解。其次，沿用了作者团队之前为改善VMAT-CT质量而系统开发的EPID图像预处理流程。研究队列来源于50个体模计划和17个真实患者的临床VMAT病例。

TV-BM3D迭代VMAT-CT重建

本研究提出的算法旨在最小化一个包含三项的优化目标函数：TV正则化项（‖f‖_TV）、经局部滤波L修正的投影数据保真度项（μ‖(Rf)_L- p_L‖₂²），以及BM3D正则化项（δBM3D(f)）。其中R是前向投影算子，p是原始投影数据，μ和δ是超参数。该工作将传统的投影算子修正为包含局部滤波的算子，以更准确地描述VMAT-CT中投影数据截断的实际情况。算法采用分裂Bregman方法求解这个L₁-L₂正则化问题。

重建成功率与图像质量评估

通过对比FDK算法、FDK结合预处理算法以及TV-BM3D迭代结合预处理算法在不同病例中的表现，评估重建成功率。在图像质量方面，通过主观视觉评估和客观指标对比，分析了新算法相对于FDK基算法的改进。

研究结果

1. 1.
   重建成功率显著提升：使用TV-BM3D迭代算法结合图像预处理，成功重建了50例体模中的48例和17例真实患者中的15例。相比之下，原始FDK算法仅成功重建了39例体模和8例患者；FDK算法结合预处理成功重建了44例体模和11例患者。新算法将体模和患者案例的重建成功率分别提升至96%和88.2%，显著高于FDK基方法。
2. 2.
   图像质量全面改善：在所有治疗部位（头颈、肺、食管），TV-BM3D迭代算法重建的VMAT-CT图像质量均显著优于FDK算法。新算法有效抑制了条纹伪影和噪声，更好地保留了解剖结构的边缘和内部细节，图像对比度更高，更有利于临床识别和判断。

结论与讨论

本研究成功开发了首个用于VMAT-CT的迭代重建算法——TV-BM3D算法。该算法通过协同利用TV最小化的梯度域稀疏性和BM3D的变换域稀疏性，克服了单一TV最小化可能带来的阶梯伪影问题，并有效处理了投影数据极度不足的挑战。研究表明，该算法不仅在重建成功率上大幅超越传统的FDK基算法，而且在所有测试的治疗部位都一致性地提供了更优的图像质量。这一突破strongly支持了将VMAT-CT作为一种有前景的成像工具，用于治疗期间的实时监测和自适应放疗规划。该技术实现了纯粹的“治疗中”成像，无需额外剂量，有望推动精准放疗向更实时、更自适应的方向发展。未来，该算法框架有望进一步扩展至其他不完整数据CT重建场景中。