由于可以生成器官、骨骼和血管的 3D圖像，計(jì)算機(jī)斷層掃描（CT 或 CAT）的診斷價(jià)值遠(yuǎn)高于簡(jiǎn)單的 X 射線。然而，在診斷價(jià)值提升的同時(shí)，不免要付出代價(jià)：潛在的有害輻射暴露風(fēng)險(xiǎn)也會(huì)隨之增加。

CT 掃描生成的 3D圖像是由通過計(jì)算機(jī)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(fēng)險(xiǎn)密切相關(guān)；依據(jù)指導(dǎo)原則，兒童 CT掃描的輻射劑量上限為1.5mSv。

醫(yī)學(xué)研究人員希望在滿足醫(yī)生所需的圖像清晰度的同時(shí)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(diǎn)在于分辨率相對(duì)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(xué)的 Ryohei Nakayama博士開發(fā)了一款基于卷積神經(jīng)網(wǎng)絡(luò) (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(fēng)險(xiǎn)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(xué)習(xí)算法

掃描下列二維碼獲取白皮書，通過一個(gè)基于深度學(xué)習(xí)的交通信號(hào)檢測(cè)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(zhǔn)備 MATLAB 代碼以便生成 GPU 代碼

在 NVIDIA GPU 上生成、測(cè)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(shí)，本人應(yīng)用了超分辨率技術(shù)，運(yùn)用 MATLAB 將 CT 圖像劃分為小的局部區(qū)域，然后對(duì)低劑量區(qū)域與正常劑量區(qū)域進(jìn)行配對(duì)，從而創(chuàng)建出一個(gè)圖像字典。若要分析某個(gè)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(duì)應(yīng)的正常劑量圖像塊。

為充分發(fā)揮這項(xiàng)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(kuò)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(shí)間將延長(zhǎng)。雖然 CNN 需要一定的時(shí)間進(jìn)行訓(xùn)練，但是在分析新圖像時(shí)，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(xùn)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(shí)。

雖然早已開始尋求利用 CNN 回歸彌補(bǔ)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(zhǔn)的結(jié)果。因此，本人計(jì)劃創(chuàng)建一款混合系統(tǒng)，綜合運(yùn)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(yīng)用了下面這種方法：使用兩個(gè) CNN，一個(gè) CNN 專注于 CT 圖像的肺部區(qū)域，另一個(gè) CNN 專注于非肺部區(qū)域（圖 2）。用來訓(xùn)練 CNN 的圖像數(shù)據(jù)集由日本三重大學(xué)的研究人員提供。其中共包含 12 個(gè)圖像對(duì)，每個(gè)圖像對(duì)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(fēng)險(xiǎn)，我們不得不將研究控制在相對(duì)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(xùn)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(xiàng)研究中，本人發(fā)現(xiàn)局部區(qū)域設(shè)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(xué)習(xí)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(píng)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(xùn)練和驗(yàn)證 CNN

運(yùn)用交叉驗(yàn)證方法訓(xùn)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(jìn)行測(cè)試。采用不同的訓(xùn)練集和測(cè)試圖像，重復(fù)執(zhí)行以上步驟 12 次。為加快此過程，使用 Parallel Computing Toolbox 對(duì)多個(gè) NVIDIAGeForce 系列 GPU 進(jìn)行并行訓(xùn)練。為監(jiān)控訓(xùn)練進(jìn)度，使用 Deep Learning Toolbox 中的監(jiān)控可視化選項(xiàng)來繪制精度和損失（圖3）。

圖 3. DeepLearning Toolbox 生成的訓(xùn)練進(jìn)度示例圖。

使用均方根 (RMS) 水平和用于測(cè)量圖像質(zhì)量指標(biāo)的結(jié)構(gòu)相似度指數(shù) (SSIM)，參照對(duì)應(yīng)的正常劑量圖像來評(píng)估每個(gè)超低劑量測(cè)試圖像的結(jié)果。

后續(xù)步驟

制定計(jì)劃，在實(shí)際臨床研究中采用基于 CNN 的系統(tǒng)。另外，還積極設(shè)法將系統(tǒng)部署到圖片存檔和通信(PAC) 服務(wù)器，以便于存儲(chǔ)和訪問醫(yī)學(xué)圖像。在 MATLAB 中開發(fā)醫(yī)學(xué)成像軟件優(yōu)勢(shì)眾多，其中一項(xiàng)重要優(yōu)勢(shì)在于，該環(huán)境可以輕松創(chuàng)建底層算法接口，繼而將整個(gè)包分發(fā)給醫(yī)生，本人已對(duì)個(gè)人創(chuàng)建的其他很多基于 MATLAB 的系統(tǒng)應(yīng)用過這項(xiàng)流程。