辐射成像检测是一种非破坏性检测技术，其利用X射线、γ射线、中子射线等穿透物体并成像，有效检测物体内部结构，在材料检测、医学诊断和安全检查等多个领域发挥着不可替代的作用。
然而，传统的射线检测技术面临着诸多挑战。使用传统的CT图像重建算法，通常需要较高的计算量，重建速度较慢。其成像过程中亦容易受到散射和电子噪声的干扰，这些干扰不仅会降低成像质量，还可能掩盖关键信息。
在医学上，为了减少对人体的辐射伤害，需要尽可能降低辐射剂量，但这往往会导致采集到的数据不完整；在工业上，受被扫描物体的结构和扫描环境限制，投影数据只能在有限的扫描旋转角度下获得，易出现数据不完整的问题而影响图像内容的分析和判断。
为了应对这些挑战，有必要提高图像重建的速度、提高图像分析的效率和准确率，研究人员在不同时期引入人工智能（AI）、机器学习（ML）和深度学习（DL）技术，这些技术在解决射线检测面临的问题时展现出了一定的优势。 例如，深度学习模型（如端到端网络）能够克服传统重建算法在低剂量或有限角扫描中的不足，不仅加快了重建速度，还能有效减少伪影和噪声。使用RONNEBERGER等提出的基于完全CNN的U-Net架构，通过下采样和上采样网络结构，实现了对复杂背景中感兴趣区域的提取。 除了深度学习外，其他机器学习算法也在射线检测中展现出优势。支持向量机（SVM）通过核函数提取图像中的特征，将缺陷区域同正常区域分开进行缺陷检测；而随机森林具有多个决策树的结构，能够识别各种类型的工件缺陷。 这些技术的使用，使得图像重建速度更快、成像效果更好，检测内部结构时更精细、更准确。 1 人工智能在图像重建中的应用 重建的图像具有噪声和伪影，会对缺陷的识别产生一定影响，有时因为一些难以避免的条件问题（如低剂量扫描和有限角度扫描收集到的稀疏矩阵数据）会加重这些影响。为此，研究人员的研究方向是提出更加优秀的人工智能CT重建算法和处理方式以改进传统迭代方法，并期望可以在重建过程中消除噪声和伪影。 具体思路分为以下两种：根据图像重建的各种方法特性，在图像重建的投影域、图像域以及双域中创建模型进行学习，提升重建效果；创建一种模型，直接将数据转换为图像。 为了进一步明确AI对辐射成像技术的影响及应用，在知网和WoS上选取了近年来的1788个相关文献，并使用CiteSpace软件进行处理，所得应用图谱如图1所示，可见智能的概念已经深入现阶段的辐射成像领域，尤其是核医学与CT成像领域，同时，AI为其他方面的应用亦提供了强有力的技术支撑。 图1 人工智能-辐射成像应用图谱示意 1 用于投影域图像重建的人工智能方法 投影域CT图像重建是指通过采集得到物体在多个不同角度下对X射线的吸收情况（即投影数据），然后利用人工智能方法“修正”投影信息，通过复杂的数学算法和计算过程，逆向重建出物体内部的三维结构图像。 其中一个方法是通过AI算法训练噪声模型，产生最小化噪声的投影域图像。例如CHOI等开发了一种自监督学习框架，该框架在投影域训练基于CNN（卷积神经网络）的噪声模型，在给出相邻投影时，使用最小化来训练去噪模型。然后使用传统重建算法重建图像，该方法通过只处理投影域的数据在低剂量锥形束CT图像重建中得到了更好的效果。 此外，还有研究人员在CNN基础上进行改进，提出新的降低噪声的算法，用于小波域去噪的深度卷积神经网络架构如图2所示。 图2 用于小波域去噪的深度卷积神经网络架构示意 另一种方法是在正弦图中恢复缺失的数据。例如LEE等基于U-Net架构，并结合残差学习，将池化层替换为卷积层后构建自己的网络架构，然后，向网络提供训练数据和真实数据，以完成监督机器学习。当补充完正弦图的数据之后，使用传统重建算法FBP（滤波反投影）算法进行图像重建。 相较于直接使用FBP算法重建图像得到的严重条状伪影和使用插值方法得到的中等条状伪影，该方法得到的条状伪影较小。 在面对扫描角度缺失导致数据不完整的特殊情况时，FU等针对数据不完整的CT图像，提出了一种差分相差计算机断层扫描（DPC-CT）的深度学习重建框架，其是U-net网络和CT重建算法在投影正弦图域中的紧密耦合，首先将初始重建的DPC-CT图像投影到损坏的正弦图中，用CT扫描的方式补全缺失的信息，然后去除投影正弦图域上的伪影。 在这一复杂而精细的过程中，人工智能有效识别并改善了投影数据中的噪声和伪影，显著改善了图像的信噪比和清晰度。针对复杂结构的重建，人工智能能够学习并理解大量图像数据的特征信息，从而在重建过程中尽可能更好地保留和还原图像中的细微结构。 2 用于图像域图像重建的人工智能方法 图像域CT重建是指在CT图像已经初步形成后，对图像进行进一步的处理和优化，如去噪、增强对比度等，以提高图像的质量、清晰度和准确性，从而提供更为精准的图像信息。 例如，2017年CHEN等为了在保持结构细节的同时实现去噪，从低剂量扫描的直接FBP重建开始，在图像域中采用将自动编码器、反卷积网络和捷径连接结合到残差编码器-解码器的卷积神经网络中，取得了较好的结果。 相比之下，LI等使用小波变换、亚像素卷积、注意力模型技术建立自顶向下的自适应自引导小波卷积神经网络，在保留CT图像结构和纹理信息的同时，去除噪声和伪影。 随着生成对抗网络（GAN）的出现，HUANG等不仅提出了生成对抗网络的算法，而且在算法中加入了注意力机制，产生CycleGAN网络，自主地学习局部特征与其全局依赖关系以抑制噪声和减少伪影。 与投影域重建不同，图像域图像重建更侧重于直接对已成形的图像进行分析和改进。人工智能技术通过深度神经网络等模型，能够自动学习图像中的复杂特征，识别并去除图像噪声，如斑点、条纹等，从而显著提升图像的清晰度。同时，AI还能根据图像的灰度分布和纹理特征，调整图像的对比度，使不同密度、结构之间的界限更加分明，使图像更准确。 3 用于双域中图像重建的人工智能方法 在CT图像重建过程中，对投影域和图像域的数据同时进行处理，不仅考虑了探测器收集到的X射线投影数据（即投影域信息），还充分利用了图像数据域内的信息，通过联合优化和迭代处理，以提高CT图像的质量、清晰度和准确性。 ZHANG等提出级联残差密集空间通道注意网络，其使用多种技术，由残差密度密集空间通道注意网络和投影数据保真层组成。其实现了支持梯度反向传播的扇形束的可微分层，进行投影和反投影的数据保真，卷积层和残差注意力网络进行抗锯齿，达到投影域和图像域对图像进行恢复，可以梯度反向传播，同时在投影域和图像域对图像进行恢复，可以解决有限角度扫描和低剂量扫描导致的数据不充分问题。 除此之外，FU等使用一种依赖于数据驱动的学习反演的方法，用一个应用层次框架来解决CT重建。在定义了中间域之后，CT重构可以看作是一个逐步求解积分长度越来越短的部分线积分的过程，直到得到规则的图像体素，图像重建过程示意如图3所示。重建结果说明了层次深度学习用于CT重建的可行性。 图3 图像重建过程示意 在投影域和图像域连接问题中，人工智能在此框架下发挥着不可或缺的桥梁作用。AI在双域CT重建中具有自适应性和灵活性，通过不断学习和优化，能够逐步提高图像的分辨率，确保投影数据到图像的保真度。 4 使用人工智能技术直接映射 人工智能在CT直接映射图像重建中的应用是通过深度学习模型将原始的投影数据直接转换为高质量的CT图像，省去了传统方法中复杂的迭代计算过程，实现了更快速、更高质量的图像重建。 其核心在于人工智能强大的学习能力，系统从数据中自动提取特征和规律，并通过大量的数据训练，最终学习到投影数据到最终CT图像之间的复杂映射关系，进而获得最终的清晰图像。 因此，ZHU等使用具有3个全连接层、2个卷积层的全连接层和稀疏卷积自编码器组成的深度神经网络前馈架构，开发AUTOMAP（流形近似自动变换）去进行映射关系的学习与训练。该方法隐式地学习两个域中数据的低维联合流形，从传感器获得数据后，直接在图像域输出，特别是在噪声和采样缺陷抗扰性上优于传统方法性能，并具有很强的泛化性。 此外，LI等使用反卷积层、贝叶斯推理和求解优化问题网络结构对完整或不完整的线积分数据进行训练，恢复正弦图的数据后，直接产生高精度重建图像。因此，其在处理有限角度扫描数据和低剂量扫描数据时，也有一定的优势。 同时，HÄGGSTRÖM等模仿VGG16网络，使用编解码网络的方式提出FCN架构，以正弦图数据为输入，直接输出高质量的图像。相较于传统方法，该方法具有误差小、峰值信噪比高、成像速度快等优点。 2 人工智能在图像分析中的应用 在工业中，不同类型的工件具有不同缺陷，如裂纹、气孔、杂质等，这些缺陷可能在工业CT图像中表现出不同的特征。在医学上，不同类型细微病变的工业CT图像亦不同，如肿瘤、炎症、梗塞等。为精确识别并定位这些结构，常常依赖图像分析技术。 图像分析通常遵循一个标准流程，具体如下：首先进行预处理对新生成的图像进行降噪和对比度增强等操作；接着进行特征提取和图像分割，将目标区域从背景中提取出来；然后用特定的算法对目标区域进行分类，从而识别或分析出图像内的关键信息。图像分析的一般流程图如图4所示。 图4 图像分析的一般流程示意 1 AI在图像分割中的应用 图像分割是将图像细化为多个具有相似属性或特征的区域或对象的过程，其有助于简化图像结构并提取出感兴趣的部分，为后续分析提供基础。 基于深度学习的分割方法是当前图像处理领域中的热门技术，其利用深度学习模型强大的特征提取和分类能力，实现了对图像中不同区域或对象的精确分割。 它们用到的深度学习算法有全卷积网络（FCN）、U-Net、Mask R-CNN、深度解码网络（DeepLab）、图像分割神经网络（SegNet）等。 例如，HE等采用两个阶段的处理对前列腺、膀胱和直肠进行分割，两阶段分段结构如图5所示。第一阶段采用U-Net网络进行粗分割，在第二阶段，通过引入独特的曲线函数再进行精细地分割。最终通过使用独特曲线，使得对前列腺和直肠分割的改进比膀胱分割更明显。 图5 两阶段分段结构示意 曹斯言等使用自注意力语义DeepLabv3+和MobileNetV2分割模型见图6，在检测航空发动机孔探图像时，与传统方法相比性能有所提升。 图6 曹斯信等提出的分割模型总体结构示意 除此之外，北京同步辐射装置4W1A成像试验站与其他课题组合作提出了一种基于深度学习的图像分割算法，该算法改进了基于图像灰度进行图像分割的算法的不足进行攻克，实现了对大量材料缺陷信息的自动检测和提取。 2 AI在图像检测的应用 CT图像检测是保障产品质量和识别病变组织准确性的关键，随着深度学习的加入，AI系统能够自动学习并识别出CT图像中的各类缺陷特征，实现快速、准确的缺陷检测与评估。 到现在为止，研究人员持续跟踪技术前沿，不断迭代优化模型。近年来，业内多采用目标检测的两大类算法：单阶段（One-Stage）算法和两阶段（Two-Stage）算法。 单阶段算法检测速度快，代表算法有YOLO系列、SSD等。两阶段算法检测准确性高，代表算法有R-CNN系列、Mask R-CNN等。 例如，程虎跃等使用CNN特征提取模块和先验特征模块两个模块进行特征提取，在CNN特征提取模块中采用了ReliefF特征权重算法，在先验特征模块中采用几何先验特征提取和纹理先验特征向量提取。之后将提取的特征数据输入到特征融合与分类模块的网络中，对气孔、裂纹等缺陷类型进行识别和分类，该模型结构如图7所示。 图7 综合先验特征融合与ReliefF-Pooling的深度学习模型结构示意 此外，吴昉等使用并行残差注意力网络改进RefineDet算法，采用了注意力锚框细化模块和目标检测模块，注意力锚框细化模块用于图像预处理，之后在目标检测模块中对缺陷进行分类。 同样地，张静等也采用了多模块的网络对图像分别进行特征提取、区域推荐和目标检测，其中目标检测是基于Faster R-CNN算法优化进行的，共同建立了针对发动机叶片裂纹和缺损的射线图像自动检测模型。其改进前后的网络结构图如图8所示。 图8 Resnet-50主干提取网络改进前后的框架结构示意 KIM等开发了一种使用卷积神经网络和一些与特征点提取和匹配相关的图像处理技术的损伤识别算法，以改进视频内窥镜检测效果，其网络结构如图9所示。 图9 KIM等提出的损伤识别算法网络结构示意
结语 综上所述，随着AI技术的飞速发展，图像重建和图像分析技术取得了显著进步。研究人员开发了大量的模型和算法，这些创新技术在应对复杂场景下有效图像重建和内部结构识别的挑战中发挥了较大作用，并且有些已经投入实际使用。目前，该领域还有以下几个亟待解决的问题： (1) 在模型方面有两个突出问题，首先模型种类繁多但应用效果参差不齐，还没有形成统一的标准或规范；其次是模型的不可解释性问题。具有可解释性的模型能带来更直观的感受，可以为错误或问题的排查提供重要的线索；在处理大量的信息、面对复杂的情况和困难的项目时，可解释性模型能够提供重要的线索，故应加强模型的解释性。 (2) 在数据集方面存在两个问题，首先是数量和质量不能满足需求的问题。数量上的不足限制了模型的训练效果，而质量上的不足则可能导致模型学习到错误的特征或模式。其次是数据集的背景单一问题。现有的数据集往往背景单一，无法充分反映各类实际缺陷的复杂性和多样性，这种单一背景的数据集训练出的模型在面对真实场景时可能会表现不佳。
