混合域金属伪影修正方法：创新与临床意义探讨

本文提出了一种混合域金属伪影修正方法，首先获得基于线性插值方法的修正后CT图像和迭代重建图像中的金属区域分割，再对这两部分图像进行正向投影获得两组虚拟正投图像作为先验信息，接着进行线性修正并获得修正后的投影图，线性修正的CT图像和线性插值的CT图像在两个U-Net网络中分别进行修正和融合，实现金属伪影修正。本文在不同方法的融合应用方面有一定创新，但根据文中提出的定量分析结果，新方法带来的图像质量提升较为有限，即和其他应用深度卷积神经网络的方法相比没有显著提升，建议作者对于创新点和临床意义重新进行深入挖掘。主要的疑问包括，

(1) 定量分析结果中相对于其他深度学习方法较为有限，为说明方法的临床意义，是否可以加入牙科临床医生的评价？

(2) 本方法采用了多次迭代重建和深度学习训练，这些步骤都需要花费较长的时间，请问有没有方法执行效率的评估？如果图像质量提升的代价是数倍的计算时间，则临床应用价值就较为有限。

(3) 流程图Fig.3较难理解，建议重新组织结构。此外文中LI和Linear correction的反复出现也容易让人混淆。

(4) Fig.9和Fig10中给出的结果中第二行在牙齿区域的图像质量较为类似，在定量分析和列表时是否可以选取不同组织区域的ROI来进行更全面的比较？