摘要：超分辨率重建技术在低剂量 CT（LDCT）肺结节筛查工作中体现出显著的临床应用价值，该技术有效果提升 LDCT 图像的质量，减小噪声且提升细节效果，使肺结节的边缘及内部结构更加 清楚明晰，从而把肺结节的检出率提升大概 15%-20%. 。依靠提升图像分辨率和对比度，它加强了检测算法识别与定位肺结节的本事，尤其针对小结节和磨玻璃结节的检测灵敏程度有明显提升，依托 超分辨率网络的 CT 三维重建算法可更精准地辨别结节特征，提升肺结节良恶性鉴别的精准度，而且能更精准地衡量结节大小与体积，为临床评估提供具有可信度的数据依据，即便面临技术方面的 局限和计算成本等挑战，随着技术发展以及临床研究不断深入下去，超分辨率重建技术极有可能在肺癌早期筛查中广泛应用，为降低肺癌致死率、提高患者生存的概率作出重要功绩。关键词：超分辨率重建技术；低剂量CT；肺结节；筛查；临床应用

1、引言

肺癌作为全球呈现高发病率与高死亡率的恶性肿瘤，给公众健康造成了极大的威胁，按照世界卫生组织的统计，每年新冒出的肺癌病例数量上百万，而它五年的生存概率却相对较低，早期筛查对肺癌患者预后情况的改善具有关键意义，低剂量螺旋 CT（LDCT）作为一种新冒出来的肺癌筛查手段，鉴于其辐射剂量较低以及肺部病变检出率较高，频繁应用于肺癌的早期筛查活动。美国国家肺癌筛查试验（NLST）证实，LDCT 筛查可令肺癌死亡率降低约 20% ，NLST 接纳了超过 53，000 例肺癌高风险状况人群，借助对比 LDCT 与传统胸部 X 光片的筛查效果，说明了 LDCT 在降低肺癌死亡率方面的显著益处，多项后续研究也一致证明了，LDCT 检测早期肺癌时敏感度和特异度较高，可以有效找出处于可治愈时期的肺癌病灶，帮患者赢得宝贵的治疗时光，按照这些研究结论，多个国家的指南已将LDCT 推举为肺癌高危人群的首选筛查举措。

LDCT 扫描在降低辐射剂量的时候，也出现了图像质量变差的现象，于低剂量扫描的条件当中，图像噪声急剧上扬，造成肺结节的边界变得模糊不明，较难精准辨认与测定，对比度减少让肺结节跟周边正常组织的密度差异变小，尤其针对小结节以及磨玻璃结节而言，较易发生漏诊或误诊情形。LDCT 针对肺结节的检测比率相对偏低，尤其对于直径不足 10mm 的小结节而言，其检测灵敏度存在不足，而且存在较多的假阳性检测结果，给临床诊断以及后续处理事宜带来了些许困惑与挑战，这些问题对 LDCT 在肺结节筛查中效能的发挥形成限制，制约了其在临床实践当中的进一步铺开。

医学影像学的快速增长为解决这一问题给出了新思路，超分辨率重建技术作为一种崭露头角的图像处理技术，近年来在医学影像领域受到大量关注，该技术试图从低分辨率图像中恢复出高水准的超分辨率图像，能切实强化图像细节、减少噪点，说不定能改善LDCT 图像质量，提高肺结节筛查的成效。深度学习的崛起进一步促进了超分辨率重建技术的进步，采用构建深度学习模型，可掌握低分辨率和高分辨率图像之间的复杂映射关系，由此实现质量更高的图像重建操作，张越洋凭借深度学习研究医学 CT 图像超分辨率重建工作，获得了明显的成效，为肺结节筛查增添了新的技术手段。本研究想要探讨超分辨率重建技术在低剂量 CT 肺结节筛查当中的临床应用价值，通过对比分析原始 LDCT 图像与经超分辨率重建图像在肺结节检出率、测量结果一致性及诊断符合率等方面的差别，评判该技术的有效性与可行性，为肺癌早期诊断提供不一样的思路与方法。

2、低剂量CT 肺结节筛查的现状

LDCT 鉴于其低辐射剂量的优势，辐射剂量跟常规 CT 比起来低了 70%- 90% ，在大规模人群筛查过程中更具安全性和可行性，美国国家肺癌筛查试验（NLST）引入超过 53，000 位面临肺癌高风险的人群，结果显示 LDCT 筛查让肺癌死亡率降低了近 20% ，该成果得到了多项后续研究的证实，多个国家的指南提议将 LDCT 作为肺癌高危人群的首选筛查方式，低剂量扫描条件对LDCT 图像质量形成限制，存在噪声上扬、对比度降低、细节开始模糊等问题，影响肺结节检测与诊断结果的准确性。

张富贵等人研究表明，低剂量 CT 图像里噪声大幅上扬，引起肺结节边界呈现模糊状，不易精准识别与度量，尤其是就直径小于10mm 的小结节而言，其检测灵敏度不达标，而且伴有较高的假阳性结果[6]。徐怡玮研究进一步表明，低剂量 CT 对肺磨玻璃结节做定性诊断的可行性受图像质量约束，对比度降低导致肺磨玻璃结节跟周围正常组织的密度差别变微弱，较易出现漏诊或诊断失误的情形，这些问题为临床诊断和后续处理增添了一定的困惑与难题 [11]。

医学影像学快速进步为解决此问题提供了新的思路，田苗苗等人综述说明，深度学习方法有能力有效改善医学 CT 影像超分辨率效果，给增强低剂量 CT 图像质量、提高肺结节筛查的效果带来了契机，借助构建深度学习模型，可探寻低分辨率和高分辨率图像之间的复杂映射关系，以此实现质量更高的图像重建 [2]。此项技术的发展为优化 LDCT 图像质量、提高肺结节检测率和诊断正确性提供了新的技术手段，有望进一步助力肺癌的早期筛查与诊断工作。

3、超分辨率重建技术的原理

超分辨率重建技术为一种先进的图像处理技术，它能从多帧低分辨率图像中恢复出高质量的超分辨图像，这一技术的核心原理是把不同帧低分辨率图像之间的亚像素位移和冗余信息利用起来，以复杂算法挖掘图像中的潜在细微特征，以此实现分辨率的增长。这一过程可以用以下公式表示：

[HR = arg min∑ 公式（1）

式中

—重建的高分辨率图像；

—降采样和位移操作；

—第k 帧低分辨率图像—正则化项，用于保证图像的平滑性和减少噪声；

—正则化参数。

马圣祥于其研究中借助超分辨率重建技术，创建了一个针对新冠肺炎图像分割的算法 [3]。该研究证实，超分辨率重建技术不仅可有效充实图像细节，还可大幅降低图像的噪声水平，以此提高图像的整体质量水平，这在医学图像分析与诊断上意义显著，鉴于清晰的图像可助力医生更准确地识别病变特性。

在超分辨率重建技术的各类方法里，采用学习的方法，尤其是运用深度卷积神经网络，近几年有了明显的进步，DCNN 借助搭建一个多层的神经网络模型，凭借大量训练数据去学习低分辨率和高分辨率图像间的映射关系，这种映射关系可捕捉图像里的复杂特征，进而实现高质量的图像再造，跟传统插值方法进行对比，基于深度学习的方法在恢复图像细节以及保留边缘信息方面有明显优势。

张越洋跟赵凯光的研究皆显示，基于深度学习的超分辨率重建技术在提升医学 CT 图像质量方面成效显著，他们的研究证实，采用深度学习模型，能够更顺畅地还原图像的细节及边缘信息，让重建后的图像在清晰与准确方面更佳，张越洋开展研究时提出了一种基于生成对抗网络（GAN）的超分辨率重建手段，该方法借助引入对抗训练机制，可生成更加逼真生动的高分辨率图像 [1]。赵凯光提出了一种依靠残差网络的超分辨率重建模型，此模型借助学习图像的残差特征，可以有效留存图像的细节内容。

超分辨率重建技术利用低分辨率图像中的冗余信息，结合亚像素位移，配合深度学习强大的特征提取实力，为改善医学 CT 图像的质量提供了有效的解决手段，该技术的发展不光促进了医学影像学的前行，也为肺结节等病变的早期筛查与诊断工作提供了更可靠的图像底子。

4、超分辨率重建技术的性能

超分辨率重建技术在改善低剂量 CT 图像质量方面表现极佳，它能切实降低图像的噪声水平，优化图像的细节呈现水平，促使肺结节边缘清晰锐利的效果更明显，内部结构更加明晰可辨，肺结节跟周围组织的关系也更为清晰明了，于是为医生提供了更充裕、更精准的诊断内容，这种图像质量的改良，不仅让医生在查看肺结节时更顺溜，还能扶持他们更精准地判断结节的性质与状态。

李周霞研究证实，基于深度学习的多能谱 CT 超分辨率图像重构算法对提高图像质量的效果很显著 [6]。此算法借助深度学习模型对图像进行处理，能使肺结节的检出率提高约 15 到20 个百分点，这一提升对肺结节的早期发现十分关键，因为早期发现肺结节是增强肺癌治愈率、降低死亡率的关键要点之一，凭借更清晰的图像，医生可在更早阶段察觉潜在的病变，于是帮患者争取到宝贵的治疗期限。

超分辨率重建技术还利用提高图像的分辨率及对比度，加强了检测算法识别及定位肺结节的能力，这在小结节以及磨玻璃结节的检测里尤为明显，这些结节一般体积不大、密度偏稀，不容易跟周围正常组织区分界定，而超分辨率重建技术极大增强了对这些结节的检测灵敏度，使医生可以更及时地发觉这些潜在的病症。李俊伯研究表明，以超分辨率网络为依托的 CT 三维重建算法在肺结节良恶性鉴别诊断方面优势明显，此算法能更准确地辨别结节的特征，诸如形状、规格、边缘情况等，以此为临床决策提供更可靠的支撑，该技术还可提升肺结节测量的精准度，让医生可以更精准地衡量结节的大小、体积等参数，为临床评估提供更有效的数据支撑，进而对制定更精准的治疗方案有帮助 [5]。

5、超分辨率重建技术在低剂量CT 肺结节筛查中的应用

超分辨率重建技术在多个范畴展现出卓越的性能，明显提升了医学影像的质量跟诊断价值，就图像质量提升这方面，该技术可明显降低图像中的噪声，增强图像细节的呈现，让肺结节的边缘、内部结构以及跟周围组织的关系更加清晰明了，按照李周霞的研究成果表明，以深度学习为基础的多能谱 CT 超分辨率图像重构算法可有效提高图像品质，让肺结节的检出率提升了大概 15%-20%，这种图像质量的改善为医生提供了更丰富的诊断依据，有助于更准确地鉴别与评定肺结节。

从肺结节检测的角度看，超分辨率重建技术凭借提升图像的分辨率与对比度，让检测算法更容易地辨别和定位肺结节，此项技术进步对检测小结节和磨玻璃结节尤为关键，因为这些结节一般很难被识别，超分辨率重建技术明显提高了针对这些结节的检测灵敏度，李俊伯的研究宣称，基于超分辨率网络的 CT 三维重建算法在鉴别肺结节是良性还是恶性诊断上优势显著，可更准确地辨别结节的特征，为临床决策给出更可靠的依据。

6、面临的问题及未来发展方向

尽管超分辨率重建技术在增强低剂量 CT 肺结节筛查效能方面呈现出巨大潜力，但依旧需克服一系列挑战，就技术层面而言，重建算法在处理复杂肺部解剖结构与不同类型肺结节方面有局限，尤其是针对极为细小的结节或者形态特殊的那种结节，重建效果离理想状态还有差距。正如田苗苗等在综述里所指明的，当下采用的深度学习方法在处理复杂医学影像时，算法的优化余地依然十分大，超分辨率重建技术的临床验证目前还不充分，缺少大规模、多中心的临床试验数据对其稳定性与可靠性作全面评估，王旭等所做研究表明，低剂量 CT 对肺结节 AI 检测效能与影像组学特征有一定的影响，这反映超分辨率重建技术在不同设备和人群里的适用性仍需进一步验证才行[9]。

另一个关键要点是计算开销，超分辨率重建技术往往需要大量计算资源与时间，这在一定程度上对其在临床实践中的广泛应用形成了制约，为推动该技术的普及与运用，未来研究方向要把焦点放在算法优化上，以提升性能跟效率，减少计算资源的耗用需求。增强多中心临床研究实施，积攒更多数据从而充分评估其临床价值意义重大，扩充技术的应用空间，摸索其与PET/CT、MRI 等其他影像学技术的结合途径，开展多模态影像融合的探究，可为肺结节的诊断及治疗提供更全面的信息补给，依靠这些努力，超分辨率重建技术预期能在临床实践中发挥更显著的作用，为肺结节的早期筛查及诊断提供更有效的技术助力。

未来发展重点聚焦在算法优化与创新上，目的是提高超分辨率重建技术的可靠性，开发自适应的学习算法精准重建肺结节影像，进而探索与 PET/CT、MRI 等多模态影像开展融合，把多源信息整合起来，为诊断治疗提供全面支持 [10]。就临床研究层面而言，要把验证规模拓展至不同设备与人群，实施长期效果评估用以优化应用指南，再与 AI 诊断系统结合提升效能，加强跨学科协同合作促进技术交流创新，培养跨学科人才以推动技术成长。

结语

超分辨率重建技术在低剂量 CT 肺结节筛查中凸显出显著的临床应用价值，该技术可以高效提升 LDCT 图像质量，提高图像细节的呈现，以此增强肺结节的发现几率和诊断的精准水平，它在控制辐射剂量这件事上发挥关键作用，做到了低辐射剂量跟高图像质量之间的平衡关系，降低了患者承受辐射的风险系数。

尽管超分辨率重建技术当下依旧面临一些难题与挑战，诸如技术受局限、临床验证不充分以及计算成本较昂贵等，但随着技术不断发展且成熟，以及开展数量更多的临床研究，这些问题有盼头逐步解决，超分辨率重建技术将在肺癌早期筛查方面得到更广泛运用，其普及及应用将有助于更早识别肺癌病变，为降低肺癌死亡比率、提高患者生存几率贡献显著，从而在肺癌防治事宜上发挥更大效能，为更多患者增添福祉。

参考文献

[1] 张越洋. 基于深度学习的医学CT 图像超分辨率重建研究[D]. 安徽理工大学，2024.

[2] 田苗苗， 支力佳， 张少敏， 等. 医学CT 影像超分辨率深度学习方法综述[J]. 计算机工程与应用 ，2024，60（03）：44-60.

[3] 马圣祥. 基于超分辨率重建的新冠肺炎图像分割算法研究[D]. 西安科技大学，2023.

[4]李周霞.基于深度学习的多能谱CT超分辨率图像重构算法研究[D].北京交通大学，20

[5] 李俊伯. 基于超分辨率网络的CT 三维重建算法研究与实现[D]. 中北大学，2021.

[6] 张富贵， 李淑娟， 马爱香. 胸部螺旋CT 低剂量扫描对肺结节的诊断价值研究[J]. 影像研究与医学应用 ，2025，9（03）：149-151.

[7] 徐怡玮. 能谱CT 低剂量扫描应用于肺磨玻璃结节定性诊断中的可行性研究[J]. 现代医用影像学 ，2025，34（02）：254-256.

[8] 周涛 ， 牛玉霞 ， 叶鑫宇 ， 等 . 面向肺部肿瘤分类的跨模态 Light-3Dformer 模型 [J/OL].电子学报 ，1-11[2025-06-22].

[9] 王旭， 姜艳， 刘义军， 等. 低剂量CT 对肺结节AI 检测效能及影像组学特征的影响：体模研究 [J]. 中国医学计算机成像杂志 ，2023，29（06）：704-708.

[10]《中国医学计算机成像杂志》2023 年第29 卷主题词索引[J]. 中国医学计算机成像杂志 ，2023，29（06）：719-726.

作者简介：周宏程（1970.12.31—）男，汉族，云南临沧，昆明医学院，医学影像学，本科，云县人民医院，副主任医师，医学影像超分辨率重建技术

刘跃泽（1998.09.22—）男，彝族，云南临沧，昆明医科大学，医学影像技术，本科，云县人民医院，放射技师，医学影像超分辨率重建技术