关于使用CNN提高CT成像质量的分析和介绍

由于可以生成器官、骨骼和血管的 3D图像，计算机断层扫描（CT 或 CAT）的诊断价值远高于简单的 X 射线。然而，在诊断价值提升的同时，不免要付出代价：潜在的有害辐射暴露风险也会随之增加。

CT 扫描生成的 3D图像是由通过计算机软件堆叠到一起的 2DX 射线图像组合而成。因此，一次胸腔 CT扫描的平均有效辐射剂量为7毫西弗 (mSv)，是胸腔 X 射线剂量(0.02mSv) 的 350 倍。[1]辐射暴露量与患癌风险密切相关；依据指导原则，儿童 CT扫描的辐射剂量上限为1.5mSv。

医学研究人员希望在满足医生所需的图像清晰度的同时限制辐射的暴露量。采用超低剂量 CT 方法前景广阔，其中胸腔图像的平均有效剂量约为 0.13mSv。超低剂量 CT 扫描的主要缺点在于分辨率相对较低且噪音极大，因而医生难以观察器官、脂肪和间质组织（图1）。

图1. 超低剂量 CT（左）与传统 CT（右）的图像质量比较

日本立命馆大学的 Ryohei Nakayama博士开发了一款基于卷积神经网络 (CNN) 回归的 MATLAB软件系统，尽管采用超低剂量 CT 扫描作为输入，但生成的图像质量却与正常剂量 CT 扫描不相上下。该系统不仅可以为医生提供同等水平的诊断信息，还能将患者遭受的辐射暴露风险降低 95%。

相 关 资 源

从 MATLAB 生成 CUDA 代码：

加速基于 GPU 的嵌入式视觉和深度学习算法

扫描下列二维码获取白皮书，通过一个基于深度学习的交通信号检测为例，了解如何从 MATLAB 中开发的算法生成优化的 CUDA 代码：

准备 MATLAB 代码以便生成 GPU 代码

在 NVIDIA GPU 上生成、测试和部署生成的 CUDA 代码

优化代码提高性能

超分辨率与 CNN

最初开始研究改善低剂量 CT 图像质量的方法时，本人应用了超分辨率技术，运用 MATLAB 将 CT 图像划分为小的局部区域，然后对低剂量区域与正常剂量区域进行配对，从而创建出一个图像字典。若要分析某个新的低剂量图像，系统将在字典中查找小的低剂量区域，向用户呈现对应的正常剂量图像块。

为充分发挥这项技术的成效，需创建规模宏大的字典以便从中找到互相比较的图像。但是，随着字典规模的扩大，系统的资源需求随之增加；更重要的是，查找小图像所需的搜索时间将延长。虽然 CNN 需要一定的时间进行训练，但是在分析新图像时，得出结果的速度比本人所开发的超分辨率方法要快得多。例如，经过训练的 CNN 只需约 20 分钟即可为一位患者生成结果，而采用超分辨率方法获得类似结果则需要约 2 小时。

虽然早已开始寻求利用 CNN 回归弥补超分辨率方法的种种缺陷，但在某些情况下，超分辨率技术的表现的确极为出众。例如，如果要诊断的图像图案与某一张字典图像的图案十分接近，超分辨率方法可以生成极其精准的结果。因此，本人计划创建一款混合系统，综合运用 CNN 回归与超分辨率技术。

获取图像和构建 CNN

为提高超低剂量胸腔 CT 扫描的清晰度，本人应用了下面这种方法：使用两个 CNN，一个 CNN 专注于 CT 图像的肺部区域，另一个 CNN 专注于非肺部区域（图 2）。用来训练 CNN 的图像数据集由日本三重大学的研究人员提供。其中共包含 12 个图像对，每个图像对分别为同一组织的正常剂量扫描图像和超低剂量扫描图像。（由于再次采集图像意味着患者再次面临辐射暴露风险，我们不得不将研究控制在相对较小的受试者群体。）参与研究的每张图像为 512 x 512 像素，每次扫描涵盖 250 张图像（切片）。

图 2. 接受肺部区域和非肺部区域超低剂量 CT 训练的 CNN。

根据先前的超分辨率研究结果，本人建立了 CNN 的初始结构。在这项研究中，本人发现局部区域设置为 7x 7 效果最好，因而开始采用这一尺寸的局部区域建立深度学习模型。随后尝试使用介于 5x 5 到128 x 128 之间的多种局部区域尺寸，检查每种尺寸所生成的结果的清晰度。最终确定肺部区域尺寸为 32 x 32，非肺部区域尺寸为 64 x 64。在 MATLAB 中开展研究期间，本人还评估了约 128 种不同的 CNN 超参数组合，尝试不同的输入大小、滤波器以及不同数量的卷积层。

训练和验证 CNN

运用交叉验证方法训练包含 11 名患者图像的模型，使用剩下的一名患者的图像进行测试。采用不同的训练集和测试图像，重复执行以上步骤 12 次。为加快此过程，使用 Parallel Computing Toolbox 对多个 NVIDIAGeForce 系列 GPU 进行并行训练。为监控训练进度，使用 Deep Learning Toolbox 中的监控可视化选项来绘制精度和损失（图3）。

图 3. DeepLearning Toolbox 生成的训练进度示例图。

使用均方根 (RMS) 水平和用于测量图像质量指标的结构相似度指数 (SSIM)，参照对应的正常剂量图像来评估每个超低剂量测试图像的结果。

后续步骤

制定计划，在实际临床研究中采用基于 CNN 的系统。另外，还积极设法将系统部署到图片存档和通信(PAC) 服务器，以便于存储和访问医学图像。在 MATLAB 中开发医学成像软件优势众多，其中一项重要优势在于，该环境可以轻松创建底层算法接口，继而将整个包分发给医生，本人已对个人创建的其他很多基于 MATLAB 的系统应用过这项流程。