由于可以生成器官、骨骼和血管的 3D圖像，計算機斷層掃描（CT 或 CAT）的診斷價值遠高于簡單的 X 射線。然而，在診斷價值提升的同時，不免要付出代價：潛在的有害輻射暴露風險也會隨之增加。

CT 掃描生成的 3D圖像是由通過計算機軟件堆疊到一起的 2DX 射線圖像組合而成。因此，一次胸腔 CT掃描的平均有效輻射劑量為7毫西弗 (mSv)，是胸腔 X 射線劑量(0.02mSv) 的 350 倍。[1]輻射暴露量與患癌風險密切相關(guān)；依據(jù)指導原則，兒童 CT掃描的輻射劑量上限為1.5mSv。

醫(yī)學研究人員希望在滿足醫(yī)生所需的圖像清晰度的同時限制輻射的暴露量。采用超低劑量 CT 方法前景廣闊，其中胸腔圖像的平均有效劑量約為 0.13mSv。超低劑量 CT 掃描的主要缺點在于分辨率相對較低且噪音極大，因而醫(yī)生難以觀察器官、脂肪和間質(zhì)組織（圖1）。

圖1. 超低劑量 CT（左）與傳統(tǒng) CT（右）的圖像質(zhì)量比較

日本立命館大學的 Ryohei Nakayama博士開發(fā)了一款基于卷積神經(jīng)網(wǎng)絡 (CNN) 回歸的 MATLAB軟件系統(tǒng)，盡管采用超低劑量 CT 掃描作為輸入，但生成的圖像質(zhì)量卻與正常劑量 CT 掃描不相上下。該系統(tǒng)不僅可以為醫(yī)生提供同等水平的診斷信息，還能將患者遭受的輻射暴露風險降低 95%。

相 關(guān) 資 源

從 MATLAB 生成 CUDA 代碼：

加速基于 GPU 的嵌入式視覺和深度學習算法

掃描下列二維碼獲取白皮書，通過一個基于深度學習的交通信號檢測為例，了解如何從 MATLAB 中開發(fā)的算法生成優(yōu)化的 CUDA 代碼：

準備 MATLAB 代碼以便生成 GPU 代碼

在 NVIDIA GPU 上生成、測試和部署生成的 CUDA 代碼

優(yōu)化代碼提高性能

超分辨率與 CNN

最初開始研究改善低劑量 CT 圖像質(zhì)量的方法時，本人應用了超分辨率技術(shù)，運用 MATLAB 將 CT 圖像劃分為小的局部區(qū)域，然后對低劑量區(qū)域與正常劑量區(qū)域進行配對，從而創(chuàng)建出一個圖像字典。若要分析某個新的低劑量圖像，系統(tǒng)將在字典中查找小的低劑量區(qū)域，向用戶呈現(xiàn)對應的正常劑量圖像塊。

為充分發(fā)揮這項技術(shù)的成效，需創(chuàng)建規(guī)模宏大的字典以便從中找到互相比較的圖像。但是，隨著字典規(guī)模的擴大，系統(tǒng)的資源需求隨之增加；更重要的是，查找小圖像所需的搜索時間將延長。雖然 CNN 需要一定的時間進行訓練，但是在分析新圖像時，得出結(jié)果的速度比本人所開發(fā)的超分辨率方法要快得多。例如，經(jīng)過訓練的 CNN 只需約 20 分鐘即可為一位患者生成結(jié)果，而采用超分辨率方法獲得類似結(jié)果則需要約 2 小時。

雖然早已開始尋求利用 CNN 回歸彌補超分辨率方法的種種缺陷，但在某些情況下，超分辨率技術(shù)的表現(xiàn)的確極為出眾。例如，如果要診斷的圖像圖案與某一張字典圖像的圖案十分接近，超分辨率方法可以生成極其精準的結(jié)果。因此，本人計劃創(chuàng)建一款混合系統(tǒng)，綜合運用 CNN 回歸與超分辨率技術(shù)。

獲取圖像和構(gòu)建 CNN

為提高超低劑量胸腔 CT 掃描的清晰度，本人應用了下面這種方法：使用兩個 CNN，一個 CNN 專注于 CT 圖像的肺部區(qū)域，另一個 CNN 專注于非肺部區(qū)域（圖 2）。用來訓練 CNN 的圖像數(shù)據(jù)集由日本三重大學的研究人員提供。其中共包含 12 個圖像對，每個圖像對分別為同一組織的正常劑量掃描圖像和超低劑量掃描圖像。（由于再次采集圖像意味著患者再次面臨輻射暴露風險，我們不得不將研究控制在相對較小的受試者群體。）參與研究的每張圖像為 512 x 512 像素，每次掃描涵蓋 250 張圖像（切片）。

圖 2. 接受肺部區(qū)域和非肺部區(qū)域超低劑量 CT 訓練的 CNN。

根據(jù)先前的超分辨率研究結(jié)果，本人建立了 CNN 的初始結(jié)構(gòu)。在這項研究中，本人發(fā)現(xiàn)局部區(qū)域設置為 7x 7 效果最好，因而開始采用這一尺寸的局部區(qū)域建立深度學習模型。隨后嘗試使用介于 5x 5 到128 x 128 之間的多種局部區(qū)域尺寸，檢查每種尺寸所生成的結(jié)果的清晰度。最終確定肺部區(qū)域尺寸為 32 x 32，非肺部區(qū)域尺寸為 64 x 64。在 MATLAB 中開展研究期間，本人還評估了約 128 種不同的 CNN 超參數(shù)組合，嘗試不同的輸入大小、濾波器以及不同數(shù)量的卷積層。

訓練和驗證 CNN

運用交叉驗證方法訓練包含 11 名患者圖像的模型，使用剩下的一名患者的圖像進行測試。采用不同的訓練集和測試圖像，重復執(zhí)行以上步驟 12 次。為加快此過程，使用 Parallel Computing Toolbox 對多個 NVIDIAGeForce 系列 GPU 進行并行訓練。為監(jiān)控訓練進度，使用 Deep Learning Toolbox 中的監(jiān)控可視化選項來繪制精度和損失（圖3）。

圖 3. DeepLearning Toolbox 生成的訓練進度示例圖。

使用均方根 (RMS) 水平和用于測量圖像質(zhì)量指標的結(jié)構(gòu)相似度指數(shù) (SSIM)，參照對應的正常劑量圖像來評估每個超低劑量測試圖像的結(jié)果。

后續(xù)步驟

制定計劃，在實際臨床研究中采用基于 CNN 的系統(tǒng)。另外，還積極設法將系統(tǒng)部署到圖片存檔和通信(PAC) 服務器，以便于存儲和訪問醫(yī)學圖像。在 MATLAB 中開發(fā)醫(yī)學成像軟件優(yōu)勢眾多，其中一項重要優(yōu)勢在于，該環(huán)境可以輕松創(chuàng)建底層算法接口，繼而將整個包分發(fā)給醫(yī)生，本人已對個人創(chuàng)建的其他很多基于 MATLAB 的系統(tǒng)應用過這項流程。