(CT图像重建的过去，现在和未来。)

深度成像的原理

图像重建是从原始数据(利用断层扫描测量的特征)到底层图像，是下图中从图像到特征的逆操作。深度成像的直接路径可以简单地从原始数据到初始图像，然后通过细化深度网络处理所重建的图像。(与深度学习的重叠)。

(通过非线性多分辨率分析(全连接或局部连接)进行特征提取和分类的深度网络。)

低挂和高挂果实的路线图

对于深度成像，有各种技术可以开发为低挂和高挂果实。让我们先来看看低挂的果实，然后是高挂的果实。但是，这些可以并行进行。

首先，通过用深度学习对应物替换当前图像重建方案的一个或多个机器学习元素，可以收获低悬的果实。将每种类型的重建算法视为有机流程图，并且一些构建块可以由机器学习对应物替换。如下图所示，用于迭代重建的一般流程图，相应的原始模块可以被机器学习模块敲掉。

(在传统的迭代重建流程图中替换机器学习模块来摘取低挂果实。)

现有技术的重建算法可用于指导相应的深度网络的构建。通过万有逼近定理，每个计算元素应该具有神经网络对应物。基于深度学习的重建的真正强大之处在于数据驱动的知识增强能力，以便在特定于应用的低维流形内承诺更智能的初始猜测，更相关的中间特征以及最佳正则化的最终图像。

高挂果实

相比之下，高挂果实并不一定涉及经典重建算法的任何关键要素。凭借最先进的深度成像算法，可以涵盖最广泛的图像重建问题，以获得优于现有技术的成像性能。

网络配置

针对典型应用的网络拓扑(和动态)设计是一个突出的目标，这相当于算法设计或计算机体系结构设计。可以大胆推测深度成像网络可能胜过传统的成像算法，因为深度网络的信息处理在激活函数中是非线性的，通过深度分层的结构是全局的，并且是从大数据中获得的综合先验知识的最佳选择。这与线性，局部或临时的许多传统正则化器形成鲜明对比。目前，网络设计在整体架构和组件特性方面仍然是一个积极探索的领域，并且很少涉及图像重建的目的。

通过模仿神经可塑性-大脑在学习，适应和补偿方面的成长和重组能力，可以进一步改善深层神经网络和人工智能。目前，使用试错法获得了深层网络中每层的层数和神经元数量，并且不受任何理论的支配。关于大脑的成长和重组，未来的深度网络可以以相同的方式工作，变得更具适应性，更适合医学成像。