CT技术伴随着一定剂量的辐射，会对患者的身体健康造成影响，而且高剂量的辐射会损害人体的遗传物质，甚至造成不可逆的损伤，进而诱发癌症。

因此，如何在保证成像质量的前提下尽可能地降低 CT 辐射剂量一直是科学家们研究的热点目标之一。

由Jingsong Liu撰写

此外，传统的CT扫描技术只能显示患者体内病灶的形态，无法显示目标结构的化学成分信息。

× U-Net 网络主要由编码器（Encoder）、解码器（Decoder）和跳跃连接（Skip Connection）共同构成。编码器的作用是逐层提取图像特征，其结构分为 4 个阶段，每个阶段包含两个 3×3 卷积和一个以 2×2 最大池化实现的下采样层。每经过一个阶段，输出特征图尺度缩小一半，通道维度加倍。解码器逐层恢复图像信息，其结构与编码器对称也分为 4 个阶段，每个阶段包含两个 3×3 卷积和一个以 2×2 反卷积实现的上采样层。每经过一个阶段，输出特征图尺度扩大一倍，通道维度减半。编码器与解码器通过两个 3×3 卷积相连，网络中的每个 3×3 卷积后连接修正线性单元 ReLU 激活函数以提升模型的表达能力。编码器每个阶段中第二个卷积的输出特征图通过跳跃连接传输至解码器，并经过剪裁后与解码器对应阶段上采样层的输出特征图进行通道拼接，实现浅层信息与深层信息的融合，为解码过程提供更多语义信息。最后利用 1×1 卷积把 64 维通道特征图转化为 2 维通道特征图，通过Softmax 分类器逐个对每个像素点进行分类，获得以白色为目标，黑色为背景的分割图。由于卷积存在分辨率缩减，故输出特征图的分辨率小于输入特征图。搭建的 U-Net 网络在传统 U-Net 网络的基础上，对卷积形式进行了调整，由于传统 U-Net 中的 3×3 卷积采用的是 valid 形式，使得每次 3×3 卷积之后特征图的分辨率存在缩减。构造的 U-net 网络在卷积之前进行了 0 填充，采用 Same 形式进行 3×3卷积，使卷积前后特征图的分辨率不变，使整个网络的输出图像与输入图像分辨率保持一致，这样做保留了裂缝二值分割图像的边界信息，也省去了特征图拼接时的裁剪操作。

由于不同化学组分的生物组织经过 X 射线扫描后可能会具有相近甚至相同的衰减系数，从而导致成像不准确进而造成误诊。

解决方案

本文利用杜克大学所提供的 XCAT 软件，构建人体模型，然后使用 MATLAB 仿真出所构建模型基于能谱 CT 的投影域物质分解数据，再利用深度学习技术对所得到的 CT 成像数据进行学习，构建可以识别人体骨骼和软组织的 CT 图像分解模型。所得到的模型可以在较低辐射剂量的条件下，利用能谱 CT 和深度学习技术的原理，得到更加准确的 CT 重建图像。相较于传统 CT，可以实现在更低的辐射剂量下得到更多更准确的人体内部组织结构信息的目的。这种最新的 CT 成像技术，将为医生提供患者更加准确的组织、病例信息，为医生做出准确高效的诊断提供强大的信息基础。与此同时，也极大地降低了患者所承受的医源辐射剂量，保证了患者在接受诊疗的过程中不再受到二次伤害，为患者的健康提供了重要保障。

数据源准备

对于数据最深层的需求来自 U-net 网络模型的训练。本项目的实验由于实验条件受限，使用的是个人 PC 机，运算能力较小，故选取较小的训练集和测试集。本项目初步选取 30 张 CT 图片作为 U-net 网络的训练集，每一张图片均由 MATLAB 所仿真的能谱 CT 模型得到。每一张图片需要由1-140keV下的 140 个 XCAT 人体模型拟合得到（因此，本项目共需要构建 4200 个不同的 XCAT 人体模型。

Jingsong Liu

✉

联系我们

最受欢迎的见解

1.R语言实现CNN（卷积神经网络）模型进行回归

2.r语言实现拟合神经网络预测和结果可视化

3.python用遗传算法-神经网络-模糊逻辑控制算法对乐透分析

4.R语言结合新冠疫情COVID-19股票价格预测：ARIMA，KNN和神经网络时间序列分析

5.Python TensorFlow循环神经网络RNN-LSTM神经网络预测股票市场价格时间序列和MSE评估准确性

6.Matlab用深度学习长短期记忆（LSTM）神经网络对文本数据进行分类

7.用于NLP的seq2seq模型实例用Keras实现神经机器翻译

8.R语言用FNN-LSTM假近邻长短期记忆人工神经网络模型进行时间序列深度学习预测

9.Python用RNN循环神经网络：LSTM长期记忆、GRU门循环单元、回归和ARIMA对COVID-19新冠疫情新增人数时间序列预测

这 4200个模型，分属 30个不同的部位，每一个部位都分别由 1-140keV 的 X 射线模拟照射得到 140 个不同的模型。

视频

LSTM神经网络架构和原理及其在Python中的预测应用

探索见解 ➜

去bilibili观看 ➜

探索更多视频 ➜

视频

人工神经网络ANN中的前向传播和R语言分析学生成绩数据案例

探索见解 ➜

去bilibili观看 ➜

探索更多视频 ➜

视频

神经网络正则化技术减少过拟合和R语言CNN卷积神经网络手写数字图像数据MNIST分类

探索见解 ➜

去bilibili观看 ➜

探索更多视频 ➜

特征转换

基于本章中所介绍的能谱 CT 重建理论，本项目选用人体组织中的骨骼和软组织作为物质分解的两种基物质，利用 MATLAB 实现其具体算法。根据本章中对于基物质分解模型理论的详细介绍和各个公式，结合试验所得人体骨骼和软组织的线性衰减系数，只需很短的代码就可以实现物质分解模型的仿真。本节试验目的是为 U-net 物质分解模型提供训练集和测试集。具体为利用 MATLAB 仿真出基物质分解模型，将原始的能谱 CT 成像结果分解为骨骼和软组织，作为对应影像的标签。利用所得到的高、低能谱成像数据作为输入。

划分训练集和测试集

建模

U-net 网络结构是全卷积神经网络（ FCN ）的一种，是一种广泛应用于医学图像分割领域的深度学习网络，它是由弗莱堡大学 Olaf 在细胞影像学分割比赛中提出的。由于该网络结构酷似英文字母 “U ” ，故被称为 U-net 。该网络由编码层和解码层两部分组成。其中编码层主要作用是提取图片的上下文信息，解码层则对图片中的目标区域进行定位。 U-net 网络采取数据增强策略可以实现对于样本较少的数据的准确学习。 U-net 网络结构中没有全连接层，因此可以大幅度地减少所需要的学习的参数量，极大地提高了网络结构的学习效率。