首页 > 时尚发布 > 正文

好文推荐 | 基于平扫CT生成增强CT的技术与临床应用进展

2026-11-11 16:06

深度解析医学证据,lxfs.net为你支撑决策

摘要

增强CT(CECT)可通过碘对比剂提高病灶与周围组织对比度,在肿瘤分期、血管性疾病评估、急诊、放疗计划及术前规划中具有重要价值,但存在过敏样反应、对比剂相关急性肾损伤、流程复杂、成本增加及急诊延迟等局限。平扫CT(NCCT)安全便捷,深度学习模型已显示其在胰腺癌、结直肠癌筛查及急性缺血性脑卒中评估中的潜力,但软组织对比度不足仍限制乏血供病变和微小病灶识别。基于人工智能从NCCT生成虚拟CECT,旨在无额外对比剂条件下补充血管、实质器官、淋巴结及肿瘤强化信息,降低患者风险并优化医疗资源。本文综述了生成对抗网络(GAN)、条件GAN、多阶段级联网络、CNN-Transformer混合架构、扩散概率模型和条件扩散模型等方法,以及解剖先验、分割标签、器官或血管掩膜、多任务学习、临床参数和多模态信息的应用。相关研究已扩展至CTA生成、肝脏多期相增强、腹部肿瘤筛查、AIS大血管闭塞识别及放疗危及器官分割等场景。总体而言,该技术虽具备降低对比剂使用、辅助和优化流程的潜力,但仍面临配对数据不足、多中心泛化有限、生成伪影与模型幻觉、临床安全边界及监管路径不清等挑战。

关键词:深度学习;增强CT合成;生成对抗网络;扩散模型

Key words:Deep learning;Contrast-enhanced computed tomography synthesis;Generative adversarial network;Diffusion models

增强CT(contrast-enhanced computed tomography,CECT)能够显著提高血管、实质器官及病灶边界的显示能力,是肿瘤分期、血管疾病评估、急诊及治疗计划制定中的重要影像学方法。然而,碘对比剂相关过敏反应、肾功能损害风险、检查流程复杂及费用增加等问题,限制了其在部分患者中的应用。随着深度学习和医学图像生成技术的发展,基于平扫CT(contrast-enhanced computed tomography,NCCT)合成增强CT图像逐渐成为影像智能化研究的重要方向。该技术有望在不额外使用对比剂的条件下补充强化信息,提升NCCT在病灶检出、血管显示和辅助诊断中的价值。本文围绕NCCT生成CECT的主要技术路线、临床应用进展及现存挑战进行综述,以期为后续模型优化和临床转化提供参考[1-4]。

1 基于NCCT生成CECT图像的研究背景与临床需求

1.1 NCCT生成CECT图像的临床背景与局限性

CECT在临床诊断、分期和疗效评估中扮演着至关重要的角色,其通过注射碘对比剂能够显著提升病灶与周围正常组织的对比度,从而清晰显示病变的血供特征、边界及其与邻近血管的关系。在肿瘤学领域,CECT已被广泛应用于胰腺癌、结直肠癌、食管癌等多种恶性肿瘤的检测与分期,并为放疗靶区的勾画和介入治疗(如经皮肺穿刺活检)提供精确的解剖定位[1-5]。同时,肝脏局灶性病变诊断依赖动脉期、门静脉期及延迟期强化模式,血管、纵隔肺门及放疗场景亦需CECT评估管腔狭窄、范围、靶区和危及器官边界。然而,CECT的应用存在一定的局限性及潜在风险,碘对比剂的使用可能引发过敏反应,严重时可导致过敏性休克,并且对肾功能不全的患者存在发生对比剂肾病的风险[2]。此外,对比剂的使用增加了检查成本,延长了患者的就诊时间,且在部分特殊患者群体(如对比剂禁忌证者)中无法实施[2,6]。因此,临床实践中迫切需要一种既能提供类似CECT的诊断信息,又能规避上述风险的成像方法;相关NCCT生成CECT研究也应以临床任务中的诊断增益和安全边界验证为目标。

1.2 NCCT的诊断潜力、固有不足及合成CECT的临床需求

NCCT检查是临床最基础、便捷且安全的影像学手段之一,近年来多项研究已探索其在疾病诊断和风险评估中的潜力。如深度学习模型中国泛癌种早筛早诊队列研究项目(Pan-Cancer Early Detection in China,PANDA)和中国肠癌筛查AI模型(COCA)在大型队列中验证了基于NCCT进行胰腺癌和结直肠癌筛查的可行性,其诊断效能与放射医师判读的增强CT结果相近[1,3];在急性缺血性脑卒中(acute ischemic stroke,AIS)领域,NCCT的阿尔伯塔卒中项目早期CT评分(alberta stroke program parly CT score,ASPECTS)可为临床决策提供关键信息,尤其适用于无法及时进行MRI或灌注成像的医疗机构[7-9]。此外,NCCT在识别脑出血继发性病因及评估肝硬化患者食管静脉曲张严重程度方面也具有一定价值[6,10]。然而,NCCT软组织对比度低于CECT,对乏血供病变、微小病灶及大血管闭塞(large vessel occlusion,LVO)等血管内结构的辨识能力有限,这构成了其向“类CECT”成像发展的根本动因[9,11]。NCCT扫描速度快、流程简单、成本较低,在急腹症、创伤、胸痛、头痛、肿瘤初筛、术后复查和放疗定位等场景中应用广泛,对于急性脑卒中患者,NCCT的快速可及性有助于避免因等待CECT或MRI而延误治疗决策[7,8,11],替奈普酶治疗醒后卒中研究(Tenecteplase in Wake-up Stroke,TWIST)研究凸显了基于NCCT快速筛选醒后卒中患者的现实需求[7]。在需反复随访的肿瘤患者,尤其是肝癌介入治疗后人群中,减少对比剂使用有助于降低肾损伤累积风险[2,12],并可减少对比剂、注射及不良反应处理相关费用,提高检查效率。因此,基于NCCT生成CECT图像更适合作为对比剂受限、急诊筛查和辅助诊断场景下的补充手段,而非现阶段对真实CECT的全面替代。本文综述基于NCCT生成CECT图像的技术方法及临床应用,CECT涵盖静脉期、动脉期、门静脉期、延迟期及CTA等形式,并区别于双能CT虚拟平扫。重点讨论生成对抗网络、扩散概率模型等方法的原理与性能[8,13,14],以及其在胰腺癌、结直肠癌、食管癌筛查,AIS的LVO识别与量化,肿瘤分割与表征中的应用[11,15,16],并分析病灶合成细节、跨中心泛化、微小病变敏感性及特定疾病局限性等挑战[2,7,14]。

2 数据驱动方法概述

2.1 配对数据集构建、数据增强与标准化

数据驱动方法的核心在于构建高质量的配对数据集,这是模型学习从NCCT到CECT映射关系的基础。NCCT生成CECT本质上属于医学图像到图像转换任务,但增强信息并非简单灰度提升,而与扫描期相、组织灌注及临床任务密切相关。用于此类任务的配对数据集要求确保解剖结构的一致性[2]。数据集规模的扩大是提升模型泛化能力的关键,在胰腺癌检测的研究中,基于3 208例患者的单中心训练数据,外部验证6 239例患者的多中心验证诊断效能达到0.986[1]。在结直肠癌检测中,包含1 321例患者和1 357例对照的多中心数据集诊断效能达到0.967[3]。除了规模,数据质量同样至关重要,不同采集设备、扫描参数和重建算法带来的图像多样性,要求数据集应尽可能反映真实临床场景的异质性[1,3]。为了应对多样性,数据增强技术被广泛应用,如对图像随机旋转、平移、缩放和弹性形变,以增加训练数据的多样性并提高模型的鲁棒性[2]。数据标准化也是一个不可或缺的环节,通过将不同来源NCCT图像的CT值归一化到统一的尺度,可以消除因机器或协议差异引入的数值偏差,确保模型输入的一致性,从而加速训练收敛并提升最终生成图像的质量[13]。重采样、感兴趣区域裁剪及图像配准亦至关重要,若NCCT与CECT图像存在呼吸或体位错位,模型可能将空间差异误学为强化差异,从而产生结构扭曲或伪影。

2.2 NCCT到CECT生成的任务定义与临床目标

NCCT合成CECT核心目标是在输入的单张或三维NCCT图像基础上,重建出在像素级强度和结构上均与真实CECT高度一致的合成图像[2]。这一任务的目标是模拟碘对比剂在组织中的分布效应,使未增强的NCCT图像能够清晰地显示出血管化程度高的器官、病变以及细微的解剖边界[2,10]。完成这一任务需要模型学习一个复杂的非线性映射,该映射不仅要理解正常的解剖结构,如肝脏、肾脏、脾脏和血管的正常强化模式,还要能准确模拟各种病变的强化特征,这些特征从NCCT生成CECT的过程中都应被精确复制[17]。临床上,这种图像合成技术的价值在于能够不增加患者辐射和碘对比剂过敏风险的前提下,提供类似于CECT的诊断信息[2,13]。如虚拟非对比技术在双能量CT中已经显示出替代真实NCCT的潜力,实现了与真实NCCT相似的诊断效能[8]。基于深度学习的方法则更进一步,致力于直接从NCCT生成高质量的合成CECT。已有的研究表明,尽管在强化模式复杂或血供极其丰富的区域(如主动脉和肾脏),合成图像的CT值可能与真实增强图像存在偏差,但在肝实质等组织上已能达到良好的数值一致性[14]。这揭示了任务的核心挑战是模型必须对组织间的碘对比剂动力学差异敏感识别,才能合成出在纹理、边缘和密度上都逼真的CECT图像。目前研究人员已提出了多种创新的网络架构,如利用对比增强知识学习网络来捕捉有无对比剂下的域特征相似性和差异性,或者通过多尺度解剖感知模块来精确合成组织细节[2]。通过数据驱动的方法,将NCCT生成CECT任务转变为一种可靠且具有巨大临床前景的技术工具,其应用范围已从最初的腹部多器官扩展到颅脑、头颈部乃至肺部功能成像等多个领域[11,18]。

3 基于深度学习的CECT生成方法

3.1 生成对抗网络框架及其损失函数设计

在基于深度学习的CECT生成研究中,生成对抗网络(generative adversarial network,GAN)框架因其强大的图像生成能力被广泛应用。GAN由生成器和判别器组成,前者从NCCT生成合成CECT图像,后者区分生成图像与真实CECT。通过对抗训练,生成器逐渐学习真实CECT的灰度分布、纹理特征和局部结构表现,可改善器官与病变的可视性,从而支持更有效的多器官分割[20]。这类方法采用U-Net作为生成器,其编码器-解码器结构能够有效捕捉图像的局部特征和边缘信息[19]。为了提升合成图像的质量,研究者引入了条件GAN,通过将源图像作为条件输入,约束生成器输出的内容,使得生成的CECT图像与真实的CECT在结构上更对齐[19]。在感知损失的设计上,基于对比剂的感知损失函数被专门用于CECT中由于碘对比剂引起的组织细节差异,从而更精准地合成血管和器官边缘等关键结构[2]。这种结合对抗损失与感知损失的方法,使GAN能保留高频细节,但面对复杂组织间对比度的生成时,仍受限于对全局依赖关系的建模能力。

3.2 扩散概率模型在高保真医学图像生成中的应用

去噪扩散概率模型(denoising diffusion probabilistic model,DDPM),近年来在生成高质量医学图像方面展现了独特优势。DDPM通过模拟逐步添加噪声的前向过程和逆向去噪过程,能够生成具有高保真度和细腻纹理的图像[21]。在生成组织间对比度方面,扩散模型能够更自然地捕捉不同组织之间的差异,这对于在NCCT上分割缺血性脑卒中病变或胰腺导管腺癌等病灶尤为重要[1,21]。与GAN相比,DDPM在细节保真度上更具优势,它避免了GAN的模态崩溃问题,能够生成更丰富、更连续的纹理特征[22]。传统卷积神经网络(convolutional neural network,CNN)擅长局部特征提取,而Transformer在长程依赖和全局解剖关系建模方面更具优势,因此CNN-Transformer混合架构有望进一步提升复杂区域的结构一致性。因此CNN-Transformer混合架构有望进一步提升复杂区域结构一致性。然而,DDPM的推理过程通常需要多次迭代,计算成本较高。虽然GAN在实时合成中效率更高,但DDPM在生成对临床诊断至关重要的细节信息方面,尤其是在需要高保真度组织间对比度的场景中,具有更大的潜力。

3.3 Transformer架构与全局上下文建模

Transformer架构通过自注意力机制,能够捕捉图像中的长距离依赖关系,从而弥补CNN在全局上下文建模上的不足[20]。在CECT生成中,Transformer方法能有效利用多尺度解剖信息,精确合成诸如肝脏、淋巴结等复杂结构的边缘和血管细节[2]。CKAP-Net引入了多尺度解剖感知Transformer,通过整合不同尺度的解剖先验知识,显著提升了CT合成任务中器官边缘的清晰度[2]。在肝脏病变检测应用中,深度学习模型利用NCCT数据,通过全局上下文信息显著提升了胰腺癌和结直肠癌的检测性能,其AUC值达0.986~0.996[1,3]。Transformer能够同时关注远隔区域的组织关系,这对于处理解剖结构变异大、边界模糊的复杂病灶尤为关键[13,23]。SwinUNETR等混合架构将Transformer的全局感知能力与卷积的局部特征提取相结合,在肺通气预测等任务中甚至超越了需要多相CT输入的U-Net模型,显示出单相NCCT结合Transformer全局建模的潜力[20]。因此,Transformer方法在改善由对比剂引起的复杂组织对比度生成、提升分割精度方面,正成为与GAN和扩散模型互补的重要方向。

4 多模态融合与先验知识注入

4.1 解剖先验融入与关键区域生成引导

在医学图像生成与预测任务中,依赖单模态或单期相的图像数据往往难以全面捕捉复杂病理变化,尤其是当关键区域的对比度不足或病灶特征隐匿时。为突破这一局限,将先验知识注入生成模型已成为提升诊断准确性的重要策略。解剖先验的融入是实现这一目标的核心手段之一,通过引入预计算的器官分割图谱或解剖标签图,能够在生成过程中引导模型对特定区域(如血管、肿瘤或血肿)施加更强的注意力,有效提升区域的对比度和结构清晰度[24]。在AIS病灶的检测中,由于早期梗死灶在NCCT上常表现为等密度或低密度而难以辨认,引入基于深度学习分割得到的脑解剖结构图作为先验条件,可使模型更有效地识别LVO或早期AIS病变,显著提升诊断敏感性和特异性[25-27]。

4.2 临床参数嵌入与个体化生成建模

除了解剖标签,临床参数也是关键先验知识,为生成模型提供了患者个体化的生理与病理信息。将患者年龄、血清肌酐水平等指标作为条件输入,模型能够适应不同人群的影像特征差异,从而生成更具临床相关性的结果[28,29]。如在非酒精性脂肪性肝病的评估中,肝实质的CT衰减值与患者的代谢风险参数(体质指数和糖化血红蛋白)存在显著关联,因此在生成肝脏图像时引入这些临床变量,可以更准确地模拟脂肪浸润程度[28]。在冠状动脉钙化或主动脉夹层的风险预测中,临床特征如血液透析史或外周动脉疾病史与钙化的检出率密切相关,将这些参数纳入多元模型能够显著改善对不良心血管事件的判别和重分类能力[29]。因此,临床参数嵌入不仅增强了生成图像的逼真度,还使模型输出与患者的真实病程状态保持一致,为个体化精准诊疗提供了依据。

5 生成图像的性能评估与验证

在生成图像性能评估与验证中,像素级指标、结构一致性指标、临床等效性评价以及安全性分析共同构成核心评价体系。峰值信噪比(peak signal-to-noise ratio,PSNR)和结构相似性指数(structural similarity index,SSIM)是最常用的定量指标,前者通过图像间像素误差评估失真程度,后者侧重亮度、对比度和结构信息的一致性[30,31]。既往深度学习合成图像研究中,PSNR常在22~51 dB范围内,SSIM可达0.73~0.99,提示模型具有较好的图像保真潜力[32]。平均绝对误差则用于衡量像素强度差异,在CECT生成虚拟NCCT任务中,合成图像与真实NCCT之间的平均绝对误差低于真实CECT与NCCT之间的误差,表示模型在像素值还原方面具有优势[33]。除客观指标外,临床等效性评估通常依赖放射科医师盲评,由医师在不知晓图像来源的情况下评价病灶检出、边界清晰度和诊断信心[34,35]。前期研究显示54%的文献采用医师评分评估图像质量,合成图像病灶检出敏感度达72%~92%[35],在胰腺或胃部肿瘤检测中,深度学习模型识别实体病变的敏感度可达98%[35,36]。但在部分解剖区域或不同强化模式病变中,如肝脏肿瘤,合成图像CT值与真实图像仍存在差异,提示其尚未完全达到诊断互换性[37,38]。对于肾功能不全或存在对比剂相关急性肾损伤风险的患者,合成增强图像有望避免碘对比剂注射及相关肾损伤、过敏反应风险[39,40]。然而,生成过程可能引入边缘模糊、对比度异常或纹理失真等伪影,影响血管壁、微小钙化及浸润性肿瘤等结构评估[40]。因此,当前研究正通过多粒度特征增强、分层一致性表示等方法优化边缘清晰度和纹理真实感,并进一步明确其临床可靠性边界。

6 临床应用进展

6.1 肝脏与腹部成像中的应用

在肝脏与腹部成像领域,基于深度学习的NCCT生成CECT图像具有重要临床应用潜力。肝脏疾病评估高度依赖增强扫描,尤其在肝细胞癌、肝血管瘤、转移瘤及部分结节性病变鉴别中,不同期相强化模式具有关键诊断意义。传统CECT需静脉注射碘对比剂,可增加过敏反应、肾功能损伤及流程复杂化风险,因此NCCT生成CECT图像成为降低对比剂依赖、拓展平扫价值的重要方向[14]。现有研究显示,肝脏增强生成模型已由一般图像生成发展为针对增强机制建模的框架,对比增强知识与解剖感知网络(Contrast-enhanced Knowledge and Anatomy-aware Perception Network,CKAP-Net)通过对比增强知识学习模块和对比剂感知损失函数,使网络关注对比剂导致的组织密度变化,从而生成更接近真实CECT图像[2]。深度学习生成的肝脏CECT可在一定程度上再现实质期和门脉期强化特征。肝囊肿等不强化病变的生成CT值与真实平扫较接近,肝癌等富血供病变与周围肝实质的密度差异也可部分保留,但对强化幅度高、内部异质性明显或强化模式复杂病变的还原仍不足,尤其在局部CT值估计、边缘强化重建及坏死区显示方面仍需优化[14]。在复杂术后腹部场景中,经肝动脉化疗栓塞术后CECT常受碘油高密度伪影影响,相关研究显示新型纳米对比剂LG-PEG在虚拟非对比成像中仍可保持较高密度,有助于在碘油背景下显示肿瘤区域[12]。总体而言,肝脏与腹部成像是NCCT生成CECT最具临床意义的方向之一,其核心价值在于重建病灶与周围实质强化差异,补充NCCT对病变血供和组织特征显示不足,但临床应用仍需病灶级评价、不同强化模式稳定性验证及多中心数据支持。

6.2 胸部成像与肺评估

在胸部影像中,NCCT生成CECT的研究主要集中于改善纵隔软组织对比、增强血管与淋巴结边界显示,以及提高复杂胸部病变的可视化程度。相较于腹部实质器官,胸部NCCT在肺实质显示方面本身具有较高分辨率,因此虚拟增强技术在胸部的主要价值并不在于替代肺窗阅片,而在于补充纵隔窗信息,尤其是在血管、淋巴结、软组织肿块及肺门结构边界不清的情况下,为临床诊断提供更丰富的解剖层次[1]。研究显示,胸部CECT能够在一定程度上改善纵隔结构显示,使血管与相邻软组织、淋巴结与周围脂肪间隙之间的界面对比更加清晰,从而提高胸部增强信息不足情况下的影像判读能力[41]。这种改善对于肺癌分期、纵隔淋巴结评估及部分纵隔病变的初步识别具有潜在临床价值。胸部虚拟CECT的关键并非单纯提高图像亮度,而在于保持肺实质细节的同时,合理重建纵隔和肺门区域的强化差异,使影像科医师在无真实CECT的条件下获得接近CECT的结构信息[42]。总体而言,胸部NCCT生成CECT的临床价值主要体现在纵隔、肺门及中央血管周围软组织结构显示的改善,但其对微小病变征象的保真能力仍是后续研究需要重点突破的问题。

6.3 骨肌系统与血管成像中的潜在价值

在骨肌系统与血管成像中,NCCT生成动脉期或血管增强图像具有较高潜在临床价值,尤其适用于需精细显示血管结构而又不适合CECT扫描的患者。与腹部实质器官不同,血管增强更强调管腔连续性、分支显示、边缘锐利度及局部病变识别,因此若生成图像能较真实地重建血管走行和强化后管腔对比,将有望用于主动脉疾病、头颈血管病变及急诊血管性疾病的初筛、风险分层和无法立即增强检查患者的辅助管理[11,43]。这类任务的临床意义在于,主动脉夹层、腹主动脉瘤及LVO的诊断不仅依赖病变检出,更依赖病变范围、真假腔关系、血栓、分支受累及狭窄程度的准确评估。而传统NCCT仅能提供扩张、钙化移位或高密度血栓等间接征象,难以替代CTA[11,43]。已有研究提示,CTA生成中结构约束和解剖引导至关重要,评价应重视血管树连续性、分割一致性、直径误差及病变识别准确率,而不能仅依赖PSNR或SSIM。在AIS中,基于NCCT的深度学习不等同于直接生成CTA,但显示对LVO检测具有较高AUC,并提高医师诊断敏感度,说明NCCT中含有支持血管病变识别的重要信息[11]。总体而言,当前证据最充分、最具现实转化意义的仍是血管增强生成,其临床应用前提是生成结果具备较高解剖真实性,关键病变不被掩盖或伪造,并经多中心外部验证且与真实CTA结论一致。

7 挑战与局限性

尽管基于深度学习的人工智能方法在NCCT疾病诊断中展现出巨大潜力,但其广泛临床应用仍受多重因素限制。首先,高性能模型通常依赖单中心大规模数据训练,如PANDA[1],而多中心、高质量配对数据集构建成本高,罕见病和复杂病变尤为困难。不同中心和设备间灰度分布、噪声水平差异显著,导致跨中心泛化受限,如LVO检测算法在韩国队列AUC为0.963、美国队列降至0.899[11]。同时,缺乏病理或确诊影像特征等金标准配对数据,以及精细分割任务中的标注主观性,也会加剧模型不稳定性[13]。其次,生成任务仍面临伪影、结构失真和细节控制难题,NCCT合成CECT时常难准确重建造影相关组织差异,尤其在器官边缘和细小血管细节方面表现不足[2]。此外,临床部署还受计算资源、实时性、监管审批和医生信任制约,如某些3D网络全容积预测耗时长,难满足急诊需求[16]。虽然AI辅助可提升医生敏感性和特异性[11,15],但“黑箱”特性与自动化偏差仍影响其临床应用推广。

8 未来发展方向与展望

未来,CECT生成将集中于降低配对数据依赖、增强可解释性并构建物理约束与数据驱动结合的混合模型。当前PANDA、COCA及食管癌分期等高性能模型仍依赖大量标注数据训练[1,3,15],而增强或平扫等精确配对数据获取成本高,因此无监督与半监督学习将成为关键方向[21]。基于循环生成对抗网络的跨域映射及CKAP-Net的对比剂增强知识建模,为非严格配对条件下实现NCCT到虚拟CECT转换提供了可能[2],对比学习也可利用未标注数据学习判别性表征,减少人工标注需求并改善检测与分割初始化[16]。同时提升可解释性对临床信任建立至关重要,尽管模型在LVO检测等任务中已表现出较高效能[11],但“黑箱”特性仍限制应用,若结合注意力可视化展示颅内出血、肾积水等任务中的关键关注区域及相关影像特征,将有助于医生将模型判断与临床经验对照,促进人机协同优化。此外,将深度学习与物理先验结合的混合模型也是重要趋势,在NCCT生成CECT中引入对比剂分布和衰减特性等物理知识,有望改善器官边界与血管细节合成,这种范式尤其适用于放疗勾画等高精度场景,可在保证CT值物理合理性的同时兼顾解剖连续性与分割稳定性[12,13]。总体而言,本文系统综述了基于NCCT生成CECT的技术方法、临床应用及挑战,当前以GAN、扩散概率模型和Transformer为代表的深度学习方法已在胰腺癌、结直肠癌及AIS的LVO识别中展现潜力,但数据依赖、细节失真与跨中心泛化不足等问题仍限制其临床转化。

参考文献

[1] Cao K, Xia Y, Yao J, et al. Large-scale pancreatic cancer detection via non-contrast CT and deep learning [J]. Nat Med, 2023, 29 (12): 3033-3043.

[2] Zhong L, Xiao R, Shu H, et al. NCCT-to-CECT synthesis with contrast-enhanced knowledge and anatomical perception for multi-organ segmentation in non-contrast CT images [J]. Med Image Anal, 2025, 100: 103397.

[3] Chen X, Qiu MY, Zhang JP, et al. Colorectal cancer detection using noncontrast CT and deep learning: A multicenter and international cohort study [J]. Ann Oncol, 2026.

[4] 谢朝邦,汤子建,吴洋,等。基于增强 CT 影像组学对肝内胆管细胞癌病理分化程度的预测研究 [J]. 临床放射学杂志,2025, 44 (5): 882-887.

[5] 朱伟杰,张文佳,崔效楠,等。基于平扫及增强 CT 预测肺实性结节良恶性的两种模型的建立和比较 [J]. 临床放射学杂志,2024, 43 (10): 1714-1721.

[6] Zhang X, Li C, Hao J, et al. Non-contrast CT esophageal varices grading through clinical prior-enhanced multi-organ analysis [J]. Med Image Anal, 2026, 109: 103924.

[7] Roaldsen MB, Eltoft A, Wilsgaard T, et al. Safety and efficacy of tenecteplase in patients with wake-up stroke assessed by non-contrast CT (TWIST): A multicentre, open-label, randomised controlled trial [J]. Lancet Neurol, 2023, 22 (2): 117-126.

[8] Herpe G, Platon A, Poletti PA, et al. Dual-energy CT in acute stroke: Could non-contrast CT be replaced by virtual non-contrast CT? A feasibility study [J]. J Clin Med, 2024, 13 (13): 3647.

[9] 李萌,鲍海华。单期和多期 CT 血管造影评估缺血性脑卒中患者侧支状态与 CT 灌注参数的对比性研究 [J]. 临床放射学杂志,2022, 41 (1): 29-34.

[10] Pensato U, Rapillo CM, Mazzacane F, et al. Non-contrast CT findings suggestive of secondary intracerebral haemorrhage [J]. Eur Stroke J, 2026, 11 (1): aakaf010.

[11] Sunwoo L, Ryu WS, Buch K, et al. AI assisted detection of large vessel occlusion on non-contrast CT: Multinational validation and reader study [J]. J Neurointerv Surg, 2026: jnis-2026-025339.

[12] Chen J, Liu J, Xu D, et al. Lu3+-based nanoprobe for virtual non-contrast CT imaging of hepatocellular carcinoma [J]. J Control Release, 2022, 349: 327-337.

[13] Zeng B, Zhang L, Peng L, et al. Wavelet-enhanced boundary adaptation network for liver hemangioma segmentation in non-contrast CT [J]. Front Oncol, 2026, 15: 1725514.

[14] 刘礼健,刘周,钟贻洪,等。通过深度学习模型从增强 CT 图像合成平扫 CT 图像的质量分析 [J]. 中华放射医学与防护杂志,2023, 43 (2): 131-137.

[15] Lin C, Guo Y, Huang X, et al. Esophageal cancer detection via non-contrast CT and deep learning [J]. Front Med, 2024, 11: 1356752.

[16] Patel A, Schreuder FHBM, Klijn CJM, et al. Intracerebral haemorrhage segmentation in non-contrast CT [J]. Sci Rep, 2019, 9 (1): 17858.

[17] De Robertis R, Brunese MC, Cardobi N, et al. Intratumoral calcifications in pancreatic neoplasms on unenhanced CT: Frequency and diagnostic implications [J]. La Radiologia Med, 2026, 131 (2): 228-237.

[18] Liu YK, Kuo HT, Melek A, et al. Predicting ventilation from single breathing phase non-contrast CT using Swin Transformers [J]. Med Phys, 2026, 53 (4): e70406.

[19] Yang Y, Iwamoto Y, Chen YW, et al. Synthesizing contrast-enhanced computed tomography images with an improved conditional generative adversarial network [C]//2022 44th Annual International Conference of the IEEE Engineering in Medicine & Biology Society (EMBC). July 11-15, 2022, Glasgow, Scotland, United Kingdom. IEEE, 2022: 2097-2100.

[20] Yin J, Peng J, Li X, et al. Multi-stage cascade GAN for synthesis of contrast enhancement CT aorta images from non-contrast CT [J]. Sci Rep, 2024, 14 (1): 23251.

[21] Zhang J, Wan T, Ethan MacDonald M, et al. Synchronous image-label diffusion probability model with application to stroke lesion segmentation on non-contrast CT [J]. IEEE Trans Neural Netw Learn Syst, 2025, 36 (9): 16035-16048.

[22] Yang Y, Liu J, Chen Q, et al. GANs-guided conditional diffusion model for synthesizing contrast-enhanced computed tomography images [C]//2024 46th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC). July 15-19, 2024, Orlando, FL, USA. IEEE, 2024: 1-4.

[23] Nagayama Y, Inoue T, Kato Y, et al. Relative enhancement ratio of portal venous phase to unenhanced CT in the diagnosis of lipid-poor adrenal adenomas [J]. Radiology, 2021, 301 (2): 360-368.

[24] Ye H, Jiang Y, Wu Z, et al. A comparative study of a nomogram and machine learning models in predicting early hematoma expansion in hypertensive intracerebral hemorrhage [J]. Acad Radiol, 2024, 31 (12): 5130-5140.

[25] Lin SY, Chiang PL, Chen PW, et al. Toward automated segmentation for acute ischemic stroke using non-contrast computed tomography [J]. Int J Comput Assist Radiol Surg, 2022, 17 (4): 661-671.

[26] Lu J, Zhou Y, Lv W, et al. Identification of early invisible acute ischemic stroke in non-contrast computed tomography using two-stage deep-learning model [J]. Theranostics, 2022, 12 (12): 5564-5573.

[27] Kaothanthong N, Atsavasirilert K, Sarampakhul S, et al. Artificial intelligence for localization of the acute ischemic stroke by non-contrast computed tomography [J]. PLoS One, 2022, 17 (12): e0277573.

[28] Bardach C, Morski L, Mascherbauer K, et al. Comparison of hepatic tissue characterization between T1-mapping and non-contrast computed tomography [J]. J Clin Med, 2022, 11 (10): 2863.

[29] Iwane S, Toba T, Kawamori H, et al. Prognostic utility of nodular calcification detected on non-contrast computed tomography in severely calcified coronary lesions [J]. Circ J, 2025, 89 (8): 1172-1181.

[30] Molloi S, Polivka AR, Zhao Y, et al. Dynamic contrast-enhanced CT lymphangiography to quantify thoracic duct lymphatic flow [J]. Radiology, 2023, 309 (3): e230959.

[31] Lee Y, Hwang I, Cho Y, et al. Outpatient renal function screening before contrast-enhanced CT examinations [J]. J Korean Med Sci, 2024, 39 (38): e298.

[32] Kim HS, Gil BM, Kim T, et al. Enhanced visualization: Transforming non-contrast into contrast-enhanced computed tomography images through advanced generative adversarial networks [J]. Diagnostics (Basel), 2026, 16 (6): 861.

[33] Tang Z, Huang Y, Hu S, et al. Deep learning application of YOLOv8 for aortic disp screening using non-contrast computed tomography [J]. Eur J Vasc Endovasc Surg, 2026, 71 (4): 687-695.

[34] Lee CC, Chan YL, Wong YC, et al. Contrast-enhanced CT and acute kidney injury: Risk stratification by diabetic status and kidney function [J]. Radiology, 2023, 307 (5): e222321.

[35] Park HJ, Shin K, You MW, et al. Deep learning-based detection of solid and cystic pancreatic neoplasms at contrast-enhanced CT [J]. Radiology, 2023, 306 (1): 140-149.

[36] Choi JW, Cho YJ, Ha JY, et al. Generating synthetic contrast enhancement from non-contrast chest computed tomography using a generative adversarial network [J]. Sci Rep, 2021, 11 (1): 20403.

[37] Chen X, Xia Y, Yao L, et al. Gastric neoplasm detection at contrast-enhanced CT with deep learning [J]. Radiol Artif Intell, 2026, 8 (1): e250145.

[38] Yang Y, Li Y, Chen Q, et al. Spatial attention-guided generative adversarial network for synthesizing contrast-enhanced computed tomography images [C]//2023 45th Annual International Conference of the IEEE Engineering in Medicine & Biology Society (EMBC). July 24-27, 2023, Sydney, Australia. IEEE, 2023: 1-4.

[39] Nyman U, Björk J, Hellström M, et al. Contrast-enhanced CT: Nephrotoxic or not? A critical review of propensity-score-adjusted studies [J]. J Intern Med, 2026, 300 (1): 5-25.

[40] Zhao L, Yang S, Hu D, et al. Multi-granularity adversarial generation integrated consistency representation for chest low-contrast-enhanced CT synthesis [J]. IEEE Trans Med Imaging, 2026, PP (99): 1.

[41] Feng L, Guo L, He W, et al. DiffCTA: Diffusion model-based non-contrast CT angiography with contrast-enhanced mask guidance [J]. Biomed Signal Process Control, 2026, 112: 108645.

[42] Zhang H, Zhang M, Gu Y, et al. Deep anatomy learning for lung airway and artery-vein modeling with contrast-enhanced CT synthesis [J]. Int J Comput Assist Radiol Surg, 2023, 18 (7): 1287-1294.

[43] Nakamura M, Suzuki K, Inoue G, et al. Isolated celiac artery disp detected by non-contrast CT [J]. Cureus, 2025, 17 (10): e93734.

声明:本文为模板演示用示例文稿,不构成任何医疗建议;如有健康问题请咨询专业医师。
广告位