利用深度学习降低CT成像中的辐射暴露风险

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，因此它的诊断价值明显高于简单的x光。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时间增加了。CT扫描产生的3D图像是由计算机软件堆叠的2D x射线图像组合而成的。结果，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线照射剂量0.02毫西弗的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 mSv。

医学研究人员希望限制辐射暴露，同时为医生提供所需的图像清晰度。一种有前景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。超低剂量CT扫描的主要缺点是其相对较低的分辨率和高水平的噪声，这可能使医生很难看到器官、脂肪和间质组织(图1)。

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，同时减少了高达95%的患者辐射暴露。

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图像划分为小的局部区域，然后将低剂量和正常剂量区域配对，创建一个图像字典。当需要分析一个新的低剂量图像时，系统会在字典中找到一个小的低剂量区域，并将相应的正常剂量补丁显示给用户。

这项技术的有效性取决于有一个巨大的字典来进行比较。然而，增大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也会增加。虽然CNN需要时间训练，但当呈现一个新图像时，它产生的结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分钟内对单个患者产生结果，而使用超分辨率需要大约2小时才能获得类似的结果。

虽然我开始研究CNN回归以解决超分辨率的缺点，但在某些情况下，超分辨率技术执行得非常好。例如，当待诊断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，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图像的肺区域，另一个针对非肺区域(图2)。我用来训练cnn的图像数据集由Mie大学的研究人员提供。它由12对图像组成，每对图像都包括对同一组织的正常剂量扫描和超低剂量扫描。(因为拍摄第二张照片意味着让病人暴露在额外的辐射中，我们不得不将研究对象限制在相对较小的范围内。)研究中的每张图像是512 x 512像素，每次扫描包含250张图像(切片)。

我基于我早期在超分辨率方面工作的结果建立了CNN的初始结构。在那个研究中，我发现一个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我的深度学习模型。随后，我在5 x 5到128 x 128之间的局部区域大小进行了实验，检查了每个产生的结果的清晰度，然后确定了肺区域为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。

训练和验证cnn

使用交叉验证，我用11个病人的图像训练模型，并用剩下的一个病人的图像进行测试。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NVIDIA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度和损失(图3)。

使用均方根(RMS)水平和用于测量图像质量指标的结构相似指数(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

我计划在实际的临床环境中使用我的基于cnn的系统。我也在探索将系统部署到图片存档和通信(PAC)服务器的方法，它提供了方便的医疗图像存储和访问。用MATLAB开发医学成像软件的众多优势之一是，它的环境使创建底层算法的接口变得容易，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的系统完成了这个过程。

立命馆大学是全球1000多所大学中的一所，提供了MATLAB和Simulink的校园访问。有了总学术人员数(TAH)许可证，研究人员、教师和学生可以访问最新版本级别的产品的公共配置，以便在任何地方使用——在教室、在家里、在实验室或在现场。2022世界杯八强谁会赢？