因为它们产生器官，骨骼和血管的3D图像，所以计算机断层扫描（CT或CAT）扫描的诊断值明显高于简单的X射线。然而，此增加的诊断价值是以成本的：增加暴露于潜在有害的辐射。CT扫描产生的3D图像由计算机软件堆叠在一起的2D X射线图像组装。结果，胸部的单个CT扫描具有7毫升（MSV）的平均有效辐射剂量，比胸X射线剂量为0.02msV的350倍。[1]辐射暴露与癌症风险相关;指导方针将辐射剂量限制为儿童CT扫描中的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.将超低剂量CT（左）的图像质量与传统CT（右）进行比较。
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CNNS
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. CNNS在超低剂量CT的肺和非肺区培训。
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
使用交叉验证，我用11名患者的图像训练了模型，并用一个剩下的患者用图像测试它。我用不同的训练集和测试图像重复了这些步骤12次。为了加速这一过程，我在多个NVIDIA上并行培训®GeForce系列GPU使用并行计算工具箱™。要监控培训进度，我使用深度学习工具箱™中的监控可视化选项绘制了准确性和损失（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
在实际的临床环境中，还可以在实际的基于CNN的系统中使用。我还探索将系统部署到图像存档和通信（PAC）服务器的方法，该服务器提供了方便的存储和访问和医学图像。在MATLAB中开发医学成像软件的许多优点之一是环境使其易于创建底层算法的接口，然后将整个包分配给医生，这是我已经为我的其他MATLAB的系统完成的进程’ve created.
Ritsumeikan大学是全球1000多所大学，提供校园广泛的Matlab和Simulink。金宝app随着学术总公司（TAH）许可证，研究人员，教师和学生可以在最新的释放水平上获得产品的共同配置，用于在课堂上使用，在家里，在实验室中或在现场下载188bet金宝搏。
