由于计算机断层扫描(CT或CAT)可以生成器官、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，这种额外的诊断价值是有代价的:暴露在潜在有害辐射下的几率增加了。CT扫描生成的3D图像是由计算机软件将2D x射线图像叠加在一起组装而成的。因此，一次胸部CT扫描的平均有效辐射剂量为7毫西弗(mSv)，是胸部x线扫描0.02毫西弗(mSv)的350倍。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1.5毫西弗。
医学研究人员希望限制辐射照射，同时为医生提供所需的图像清晰度。一种有希望的方法是使用超低剂量CT，其胸部图像的有效平均剂量约为0.13 mSv。[1]超低剂量CT扫描的主要缺点是其相对较低的分辨率和较高的噪声水平，这使得医生很难看到器官、脂肪和间质组织（图1）。
图1所示。对比超低剂量CT(左)和传统CT(右)的图像质量。
我已经开发了一个MATLAB®基于卷积神经网络（CNN）回归的软件系统，该系统使用超低剂量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，同时将患者的辐射照射减少了95%。
超分辨率与CNN
当我开始研究提高低剂量CT图像质量的方法时，我应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以创建图像字典。在分析新的低剂量图像时，系统会在字典中找到一个小的低剂量区域，并向用户显示相应的正常剂量贴片。
这项技术的有效性取决于是否有一个巨大的字典来进行比较。然而，增加字典大小会增加系统的资源需求，更重要的是，查找小图像所需的搜索时间。虽然CNN需要时间来训练，但当呈现一张新图像时，它产生的效果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分钟内为单个患者产生结果，而使用超分辨率获得类似结果需要大约2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。
获取图像和构建cnn
为了提高超低剂量胸部CT扫描的清晰度，我采用了一种使用两个CNN的方法，一个针对CT图像的肺部区域，另一个针对非肺部区域（图2）。我用来训练CNN的图像数据集是由Mie大学的研究人员提供的。它由12对图像组成，每对图像包括同一组织的正常剂量扫描和超低剂量扫描。（因为拍摄第二张图像意味着将患者暴露在额外的辐射下，我们不得不将研究限制在相对较小的受试者群体中。）研究中的每张图像为512 x 512像素，每次扫描包含250张图像（切片）。
图2。cnn对超低剂量CT的肺和非肺区域进行训练。
我根据我早期超分辨率研究的结果，建立了CNN的初始结构。在那项研究中，我发现7 x 7的局部区域效果最好，我从这个大小的局部区域开始进行深度学习模型。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，检查每个区域产生的结果的清晰度，然后确定肺区域为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滤波器以及不同数量的卷积层。
培训和验证CNN
使用交叉验证，我用11个病人的图像训练了这个模型，用剩下的一个病人的图像测试了它。我用不同的训练集和测试图像重复了这些步骤12次。为了加快这个过程，我同时接受了多个NVIDIA的培训®GeForce系列gpu使用并行计算工具箱™。为了监控培训进度，我使用Deep Learning Toolbox™中的监控可视化选项绘制了准确性和损失(图3)。
图3.深度学习工具箱生成的培训进度示例图。
使用均方根（RMS）水平和用于测量图像质量指标的结构相似性指数（SSIM），对每个超低剂量试验图像的结果与其对应的正常剂量图像进行评估。
下一个步骤
我们计划在实际的临床环境中使用我的基于cnn的系统。我还在探索如何将系统部署到一个图片归档和通信(PAC)服务器上，它提供了方便的存储和访问医学图像。在MATLAB中开发医学成像软件的众多优势之一是，该环境使创建底层算法的接口变得容易，然后将整个包分发给医生，我已经在其他基于MATLAB的系统中完成了这个过程。
立命馆大学是全球1000多所提供MATLAB和Simulink校园访问的大学之一。万博1manbetx有了Total Academic Headcount (TAH)许可，研究人员、教师和学生可以访问最新版本的产品的公共配置，以便在教室、家里、实验室或现场的任何地方使用。s manbetx 845
