全文鏈接：http://tecdat.cn/?p=31303

原文出處：拓端數(shù)據(jù)部落公眾號(hào)

分析師：Jingsong Liu

CT技術(shù)伴隨著一定劑量的輻射，會(huì)對(duì)患者的身體健康造成影響，而且 高劑量的輻射會(huì)損害人體的遺傳物質(zhì)，甚至造成不可逆的損傷，進(jìn)而誘發(fā)癌癥。 因此，如何在保證成像質(zhì)量的前提下盡可能地降低 CT 輻射劑量一直是科學(xué)家們 研究的熱點(diǎn)目標(biāo)之一。此外，傳統(tǒng)的CT掃描技術(shù)只能顯示患者體內(nèi)病灶的形態(tài)， 無(wú)法顯示目標(biāo)結(jié)構(gòu)的化學(xué)成分信息。由于不同化學(xué)組分的生物組織經(jīng)過(guò) X 射線(xiàn)掃描后可能會(huì)具有相近甚至相同的衰減系數(shù)，從而導(dǎo)致成像不準(zhǔn)確進(jìn)而造成誤診。

解決方案

本文利用杜克大學(xué)所提供的 XCAT 軟件，構(gòu)建人體模型，然后使用 MATLAB 仿真出所構(gòu)建模型基于能譜 CT 的投影域物質(zhì)分解數(shù)據(jù)，再利用深度學(xué)習(xí)技術(shù)對(duì) 所得到的 CT 成像數(shù)據(jù)進(jìn)行學(xué)習(xí)，構(gòu)建可以識(shí)別人體骨骼和軟組織的 CT 圖像分解模型。所得到的模型可以在較低輻射劑量的條件下，利用能譜 CT 和深度學(xué)習(xí) 技術(shù)的原理，得到更加準(zhǔn)確的 CT 重建圖像。相較于傳統(tǒng) CT，可以實(shí)現(xiàn)在更低 的輻射劑量下得到更多更準(zhǔn)確的人體內(nèi)部組織結(jié)構(gòu)信息的目的。這種最新的 CT 成像技術(shù)，將為醫(yī)生提供患者更加準(zhǔn)確的組織、病例信息，為醫(yī)生做出準(zhǔn)確高效 的診斷提供強(qiáng)大的信息基礎(chǔ)。與此同時(shí)，也極大地降低了患者所承受的醫(yī)源輻射劑量，保證了患者在接受診療的過(guò)程中不再受到二次傷害，為患者的健康提供了 重要保障。

數(shù)據(jù)源準(zhǔn)備

對(duì)于數(shù)據(jù)最深層的需求來(lái)自 U-net 網(wǎng)絡(luò)模型的訓(xùn)練。本項(xiàng)目的實(shí)驗(yàn)由于實(shí)驗(yàn)條件受限，使用的是個(gè)人 PC 機(jī)，運(yùn)算能力較小，故選取較小的訓(xùn)練集和測(cè)試集。本項(xiàng)目初步選取 30 張 CT 圖片作為 U-net 網(wǎng)絡(luò)的訓(xùn)練集，每一張圖片均由 MATLAB 所仿真的能譜 CT 模型得到。每一張圖片需要由1-140keV下的 140 個(gè) XCAT 人體模型擬合得到（因此，本項(xiàng)目共需要構(gòu)建 4200 個(gè)不同的 XCAT 人體模型。這 4200個(gè)模型，分屬 30個(gè)不同的部位，每一個(gè)部位都分別由 1-140keV 的 X 射線(xiàn)模擬照射得到 140 個(gè)不同的模型。

特征轉(zhuǎn)換

基于本章中所介紹的能譜 CT 重建理論，本項(xiàng)目選用人體組織中的骨骼和軟組 織作為物質(zhì)分解的兩種基物質(zhì)，利用 MATLAB 實(shí)現(xiàn)其具體算法。根據(jù)本章中對(duì)于基物質(zhì)分解模型理論的詳細(xì)介紹和各個(gè)公式，結(jié)合試驗(yàn)所得人體骨骼和軟組織 的線(xiàn)性衰減系數(shù)，只需很短的代碼就可以實(shí)現(xiàn)物質(zhì)分解模型的仿真。本節(jié)試驗(yàn)?zāi)康氖菫?U-net 物質(zhì)分解模型提供訓(xùn)練集和測(cè)試集。具體為利用 MATLAB 仿真出 基物質(zhì)分解模型，將原始的能譜 CT 成像結(jié)果分解為骨骼和軟組織，作為對(duì)應(yīng)影 像的標(biāo)簽。利用所得到的高、低能譜成像數(shù)據(jù)作為輸入。

劃分訓(xùn)練集和測(cè)試集

建模

U-net 網(wǎng)絡(luò)結(jié)構(gòu)是全卷積神經(jīng)網(wǎng)絡(luò)（ FCN ）的一種，是一種廣泛應(yīng)用于醫(yī)學(xué) 圖像分割領(lǐng)域的深度學(xué)習(xí)網(wǎng)絡(luò)，它是由弗萊堡大學(xué) Olaf 在細(xì)胞影像學(xué)分割比賽 中提出的。由于該網(wǎng)絡(luò)結(jié)構(gòu)酷似英文字母 “U ” ，故被稱(chēng)為 U-net 。該網(wǎng)絡(luò)由編碼層和解碼層兩部分組成。其中編碼層主要作用是提取圖片的上下文信息，解碼層則對(duì)圖片中的目標(biāo)區(qū)域進(jìn)行定位。 U-net 網(wǎng)絡(luò)采取數(shù)據(jù)增強(qiáng)策略可以實(shí)現(xiàn)對(duì)于樣本較少的數(shù)據(jù)的準(zhǔn)確學(xué)習(xí)。 U-net 網(wǎng)絡(luò)結(jié)構(gòu)中沒(méi)有全連接層，因此可以大幅度地減少所需要的學(xué)習(xí)的參數(shù)量，極大地提高了網(wǎng)絡(luò)結(jié)構(gòu)的學(xué)習(xí)效率。

實(shí)驗(yàn)一采用高、低能譜圖像作為輸入數(shù)據(jù)，以軟組織分割圖像作為標(biāo)簽，訓(xùn)練 U-net 網(wǎng)絡(luò)。網(wǎng)絡(luò)訓(xùn)練結(jié)果如下

測(cè)試結(jié)果為：

由上述實(shí)驗(yàn)結(jié)果可知，兩個(gè)實(shí)驗(yàn)隨著訓(xùn)練次數(shù)的增加，它們所得到網(wǎng)絡(luò)的準(zhǔn)確率都逐漸上升至接近1的值并趨于穩(wěn)定，而損失函數(shù)的值也逐漸減小并趨于穩(wěn)定。這說(shuō)明這兩個(gè)實(shí)驗(yàn)訓(xùn)練所得到的模型最終都收斂，因而這兩個(gè)基物質(zhì)分割網(wǎng)絡(luò)是穩(wěn)定有效的。

關(guān)于作者

在此對(duì)Jingsong Liu對(duì)本文所作的貢獻(xiàn)表示誠(chéng)摯感謝，他在上海財(cái)經(jīng)大學(xué)完成了金融信息工程碩士學(xué)位，擅長(zhǎng)機(jī)器學(xué)習(xí)、數(shù)理金融、數(shù)據(jù)分析。

最受歡迎的見(jiàn)解

1.R語(yǔ)言實(shí)現(xiàn)CNN（卷積神經(jīng)網(wǎng)絡(luò)）模型進(jìn)行回歸

2.r語(yǔ)言實(shí)現(xiàn)擬合神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)和結(jié)果可視化

3.python用遺傳算法-神經(jīng)網(wǎng)絡(luò)-模糊邏輯控制算法對(duì)樂(lè)透分析

4.R語(yǔ)言結(jié)合新冠疫情COVID-19股票價(jià)格預(yù)測(cè)：ARIMA，KNN和神經(jīng)網(wǎng)絡(luò)時(shí)間序列分析

5.Python TensorFlow循環(huán)神經(jīng)網(wǎng)絡(luò)RNN-LSTM神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)股票市場(chǎng)價(jià)格時(shí)間序列和MSE評(píng)估準(zhǔn)確性

6.Matlab用深度學(xué)習(xí)長(zhǎng)短期記憶（LSTM）神經(jīng)網(wǎng)絡(luò)對(duì)文本數(shù)據(jù)進(jìn)行分類(lèi)

7.用于NLP的seq2seq模型實(shí)例用Keras實(shí)現(xiàn)神經(jīng)機(jī)器翻譯

8.R語(yǔ)言用FNN-LSTM假近鄰長(zhǎng)短期記憶人工神經(jīng)網(wǎng)絡(luò)模型進(jìn)行時(shí)間序列深度學(xué)習(xí)預(yù)測(cè)

9.Python用RNN循環(huán)神經(jīng)網(wǎng)絡(luò)：LSTM長(zhǎng)期記憶、GRU門(mén)循環(huán)單元、回歸和ARIMA對(duì)COVID-19新冠疫情新增人數(shù)時(shí)間序列預(yù)測(cè)