由于计算机断层扫描（CT或CAT）能生成器官、骨骼和血管的3D图像，因此其诊断价值明显高于简单的X射线。然而，这种附加的诊断价值是有代价的：增加对潜在有害辐射的暴露。CT扫描产生的3D图像由计算机软件叠加在一起的2D X射线图像组合而成。因此，对胸部进行一次CT扫描的平均有效辐射剂量为7毫西弗（mSv），是胸部X射线剂量0.02毫西弗的350倍。[1] 辐射暴露与癌症风险相关；指南将儿童CT扫描的辐射剂量限制在1.5mSv。
医学研究人员希望限制辐射暴露，同时向医生提供他们需要的图像清晰度。一种很有前途的方法是使用超低剂量CT，它对胸部图像的有效平均剂量约为0.13 mSv。超低剂量CT扫描的主要缺点是分辨率相对较低，噪声水平较高，这使得医生很难看到器官、脂肪和间质组织(图1)。
图1。比较超低剂量CT（左）与传统CT（右）的图像质量。
我开发了一个MATLAB®基于卷积神经网络(CNN)回归的软件系统，使用超低剂量CT扫描作为输入，但生成的图像质量与正常剂量CT扫描相当。该系统为医生提供了相当水平的诊断信息，同时将患者的辐射暴露减少了多达95%。
超分辨率和美国有线电视新闻网
当我开始研究提高低剂量CT图像质量的方法时，我使用了一种超分辨率技术，我使用MATLAB将CT图像划分为小的局部区域，然后将低剂量和正常剂量区域配对，创建一个图像字典。当分析一个新的低剂量图像时，系统在字典中找到一个小的低剂量区域，并向用户呈现相应的正常剂量补丁。
这项技术的有效性取决于是否有一个庞大的字典来进行比较。然而，增加字典的大小增加了系统的资源需求，更重要的是，查找小图像所需的搜索时间。虽然CNN需要花费时间来训练，但当呈现一个新图像时，它产生的结果比我开发的超分辨率方法快得多。例如，一个经过训练的CNN可以在大约20分钟内对单个患者产生结果，而使用超分辨率技术需要大约2小时才能获得可比结果。
虽然我开始探索CNN回归来解决超分辨率的缺点，但在某些情况下，超分辨率技术表现得非常好。例如，当要诊断的图像中的模式与某个字典图像中的模式非常相似时，超分辨率方法会产生非常精确的结果。因此，我计划创建一个混合系统，结合CNN回归和超分辨率。
获取图像并构建CNN
改善ultra-low-dose胸部CT扫描的清晰,我应用了一种方法,使用两个cnn,一个针对肺癌的CT图像区域,另一个针对non-lung区域(图2)。图像数据集,我用来训练cnn是由三重大学的研究人员提供。它由12对图像组成，每对图像包括对同一组织的正常剂量扫描和超低剂量扫描。(因为再拍一张照片意味着要让病人接受额外的辐射，所以我们不得不将这项研究限制在一个相对较小的研究对象范围内。)研究中的每张图像都是512 x 512像素，每次扫描包含250张图像(切片)。
图2。CNN在超低剂量CT的肺部和非肺部区域进行训练。
我的CNN最初的结构是基于我早期关于超分辨率的工作的结果。在那个研究中，我发现7 * 7的局部区域效果最好，我从这个大小的局部区域开始创建我的深度学习模型。随后，我对5 × 5和128 × 128之间的局部区域进行了实验，检查了每个产生的结果的清晰度，最后确定了32 × 32的肺区域和64 × 64的非肺区域。在MATLAB中，我还评估了大约128种不同的CNN变体，尝试了不同的输入尺寸和过滤器以及不同数量的卷积层。
培训和验证cnn
通过交叉验证，我用11名患者的图像对模型进行了训练，并用剩下一名患者的图像进行了测试。我用不同的训练集和测试图像重复了12次这些步骤。为了加速这个过程，我在多个NVIDIA上进行了并行培训®使用并行计算工具箱的GeForce系列GPU™. 为了监控培训进度，我使用Deep Learning工具箱中的监控可视化选项绘制了准确度和损失™ （图3）。
图3。使用深度学习工具箱生成的训练进度样本图。
使用均方根(RMS)水平和结构相似性指数(SSIM)衡量图像质量指标，对每个超低剂量测试图像的结果与其对应的正常剂量图像进行评估。
下一步
计划已经到位，可以在实际的临床环境中使用我的基于CNN的系统。我还正在探索将该系统部署到图片存档和通信（PAC）服务器的方法，该服务器可方便地存储和访问医学图像。在MATLAB中开发医学成像软件的诸多优点之一是，该环境可以轻松创建底层算法的接口，然后将整个软件包分发给医生，我已经为我创建的其他基于MATLAB的系统完成了这一过程。
立命馆大学是全球1000多所大学之一，提供校园范围的MATLAB和Simulink访问。通过总学术人员（TAH）许可证，研究人员、教员和学生可以访问最新版本的通用产品配置，以便在教室、家中、实验室或现场的任何地方使用。s manbetx 845万博1manbetx
