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曝光，同时提供具有图像清晰度的医生。一种有希望的方法是使用超低剂量CT，其具有约0.13msv的有效平均剂量的胸部图像。[1]超低剂量CT扫描的主要缺点是它们相对较低的分辨率和高水平的噪音，这可能使医生难以看到器官，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，但在正常剂量CT扫描中产生质量相当的图像。该系统提供具有可比诊断信息水平的医生，同时将患者辐射暴露的降低多达95％。
超级分辨率与CNNS
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，其中我使用MATLAB将CT图像分成小型局部区域，然后配对低剂量和正常剂量区域以创建一个图像字典。当要分析新的低剂量图像时，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补丁。
该技术的效率取决于具有巨大的字典来绘制比较。然而，越来越多的字典大小增加了系统的资源需求，更重要的是，寻找小图像所需的搜索时间。虽然CNN需要时间才能训练，但是当呈现出一种新的图像时，它产生的结果比我开发的超分辨率方法更快。例如，训练的CNN可以屈服于单个患者的约20分钟的结果，而使用超分辨率获得约2小时以获得可比结果。
虽然我开始探索CNN回归以解决超级分辨率的缺点，但有一些情况，其中超分辨率技术表现得很好。例如，当待诊断的图像中的模式非常类似于字典图像中的图案时，超分辨率方法产生高度准确的结果。出于这个原因，我计划创建一个混合系统，将CNN回归与超分辨率结合起来。
获取图像并构建CNN
为了提高超低剂量胸部CT扫描的清晰度，我施加了一种方法，该方法使用两个CNN，靶向CT图像的肺区，另一个靶向非肺区（图2）。我曾经训练CNN的图像数据集是由宫大学的研究人员提供的。它由12个图像对组成，每个图像对包括正常剂量扫描和同一组织的超低剂量扫描。（因为拍摄第二个图像意味着将患者暴露于额外的辐射，我们必须将研究限制为相对较小的主题池。）研究中的每个图像是512×512像素，并且每个扫描包含250个图像（切片）。
图2。CNN在超低剂量CT的肺部和非肺部区域进行训练。
我基于CNN的初始结构，了解我之前的超分辨率的工作结果。在那项研究中，我发现一个7 x 7的当地地区最好，我开始掌握那个地方区域的深入学习模式。我随后在5×5和128×128之间进行局部区域大小，检查每个产生的结果的清晰度，然后在肺部面积的32 x 32上沉淀到非肺区的64 x 64。在MATLAB中工作，我还评估了大约128种不同的CNN变体，尝试不同的输入尺寸和过滤器以及各种卷积层。
培训并验证CNNS
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培训进度的样本图。
使用用于测量图像质量度量的根均线（RMS）水平和结构相似性指数（SSIM）对其对应的正常剂量图像评估每个超低剂量测试图像的结果。
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
