由于计算机断层扫描(CT或CAT)可以生成器官、骨骼和血管的三维图像，因此比简单的x射线具有更大的诊断价值。然而，这种增加的诊断价值是有代价的:增加了对潜在有害辐射的暴露。CT扫描产生的三维图像是由计算机软件将二维x射线图像叠加而成的。因此，一次胸部CT扫描的平均有效辐射剂量为7毫希沃特(mSv)，比0.02毫希沃特的胸部x射线剂量高出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1.5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)。
图1所示。对比超低剂量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。
获取图像并构建CNNs
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)。
图2。CNNs在超低剂量CT的肺和非肺区进行训练。
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
通过交叉验证，我用11名患者的图像对模型进行训练，然后用剩下的1名患者的图像对模型进行测试。我用不同的训练集和测试图像重复了这些步骤12次。为了加速这个过程，我在多个英伟达上并行训练®GeForce系列gpu使用并行计算工具箱™。为了监视训练进度，我使用深度学习工具箱中的监视可视化选项绘制了准确性和损失图(图3)。
图3。使用深度学习工具箱生成的训练进度样图。
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。
下一个步骤
我们计划在实际的临床环境中使用基于cnn的系统。我还在探索将系统部署到图片存档和通信(PAC)服务器的方法，PAC服务器可以方便地存储和访问医学图片。在MATLAB中开发医学成像软件的众多优点之一是，在这个环境中可以很容易地创建底层算法的接口，然后将整个包分发给医生，我已经为我创建的其他基于MATLAB的系统完成了这一过程。
Ritsumeikan大学是全世界1000多所提供校园范围内使用MATLAB和Simulink的大学之一。金宝app有了学术总人数(TAH)许可，研究人员、教师和学生都可以访问一个通用的产品配置，在最新版本中，可以在任何地方使用——在教室、在家里、在实验室或在现场。下载188bet金宝搏
