因为它们产生的器官,骨骼和血管的三维图像,计算机断层扫描(CT或CAT)扫描具有比简单的X射线显著更大的诊断价值。这一附加的诊断价值,但是,是有代价的:增加的暴露于可能有害的辐射。通过CT扫描生成的三维图像从由计算机软件堆叠在一起的2D X射线图像进行组装。其结果是,在胸部的单个CT扫描具有7个milliseverts(毫),小于0.02毫希的胸部X射线剂量更高350倍的平均有效辐射剂量。[1]辐射曝光能够具有患癌症的风险相关;指导方针限制了孩子的CT扫描的辐射剂量1.5毫西弗。
医学研究人员希望在为医生提供他们所需要的图像清晰度的同时限制辐射暴露。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较低,噪音较大,这使得医生很难看到器官、脂肪和间质组织(图1)。
我公司开发的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,但生成的图像质量可与正常剂量CT扫描媲美。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95%。
超分辨率和美国有线电视新闻网
当我开始研究如何提高低剂量CT图像的质量时,我使用了一种超分辨率技术,我使用MATLAB将CT图像分割成小的局部区域,然后将低剂量和正常剂量的区域配对,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,并将相应的正常剂量patch呈现给用户。
这项技术的有效性取决于有一个巨大的字典来进行比较。但是,字典大小的增加增加了系统的资源需求,更重要的是,增加了查找小图像所需的搜索时间。虽然CNN需要时间来训练,但当呈现一幅新图像时,它产生结果的速度要比我开发的超分辨率方法快得多。例如,一个训练有素的CNN可以在大约20分钟内产生一个病人的结果,而使用超分辨率获得可比的结果需要大约2个小时。
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,将CNN回归与超分辨率相结合。
获取图像和构建细胞神经网络
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,每对图像包括一个正常剂量扫描和一个相同组织的超低剂量扫描。(因为拍第二张照片意味着要让病人接受更多的辐射,所以我们不得不将研究对象限制在相对较小的范围内。)研究中的每张图像为512 x 512像素,每张扫描包含250张图像(切片)。
我的CNN的初始结构是基于我早期的超分辨率工作的结果。在那个研究中,我发现一个7x7的局部区域工作得最好,我从这个大小的局部区域开始我的深度学习模型。随后,我对5 x 5和128 x 128之间的局部区域大小进行了实验,检查每个结果的清晰度,最后确定肺区域为32 x 32,非肺区域为64 x 64。在MATLAB中,我还评估了大约128种不同的CNN变体,尝试了不同的输入大小和过滤器以及不同数量的卷积层。
培训和验证CNNs
使用交叉验证,我训练了与图像模型从11名患者,并与剩下的一个病人的图像进行了测试。我重复这些步骤12次不同的训练集和测试图像。为了加快这一进程,我在训练的并联多个NVIDIA®使用并行计算工具箱™的GeForce系列GPU。要监控训练进度,我用深度学习工具箱™(图3)监控可视化选项绘制精度和损失。
使用均方根水平和结构相似度指数(SSIM)对每幅超低剂量试验图像的结果与对应的正常剂量图像进行评估,以测量图像质量指标。
下一步
计划到位用我的基于CNN的系统在实际临床环境。我还探讨如何在系统部署到图像存档和通信(PAC)服务器,其提供的方便的存储和获取,医学图像。一个在MATLAB开发医疗成像软件的诸多优点是环境可以很容易地创建一个接口的底层算法,然后分发整个包医生,一个过程,我已经完成了其他MATLAB为基础的系统,我’ve created.
立命馆大学是全球超过1000所大学提供给MATLAB和Simulink校园范围内的访问之一。万博1manbetx随着总学术员工人数(TAH)许可证,研究人员,教师和学生有机会获得的产品的通用配置,在最新版本的水平,任何地方使用,在教室里,在家里,在实验室,还是在现场s manbetx 845。