全文链接：http://tecdat.cn/?p=31303
原文出处：拓端数据部落公众号
分析师：Jingsong Liu
CT 技术随同着肯定剂量的辐射，会对患者的身体健康造成影响，而且 高剂量的辐射会侵害人体的遗传物质，甚至造成不可逆的伤害，进而诱发癌症。因而，如何在保障成像品质的前提下尽可能地升高 CT 辐射剂量始终是科学家们 钻研的热点指标之一。此外，传统的 CT 扫描技术只能显示患者体内病灶的状态，无奈显示指标构造的化学成分信息。因为不同化学组分的生物组织通过 X 射线扫描后可能会具备相近甚至雷同的衰减系数，从而导致成像不精确进而造成误诊。
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，而后应用 MATLAB 仿真出所构建模型基于能谱 CT 的投影域物质合成数据，再利用深度学习技术对 所失去的 CT 成像数据进行学习，构建能够辨认人体骨骼和软组织的 CT 图像合成模型。所失去的模型能够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，失去更加精确的 CT 重建图像。相较于传统 CT，能够实现在更低 的辐射剂量下失去更多更精确的人体外部组织构造信息的目标。这种最新的 CT 成像技术，将为医生提供患者更加精确的组织、病例信息，为医生做出精确高效 的诊断提供弱小的信息根底。与此同时，也极大地升高了患者所接受的医源辐射剂量，保障了患者在承受诊疗的过程中不再受到二次挫伤，为患者的衰弱提供了 重要保障。
数据源筹备
对于数据最深层的需要来自 U-net 网络模型的训练。本我的项目的试验因为试验条件受限，应用的是集体 PC 机，运算能力较小，故选取较小的训练集和测试集。本我的项目初步选取 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 模型失去。每一张图片须要由 1 -140keV 下的 140 个 XCAT 人体模型拟合失去（因而，本我的项目共须要构建 4200 个不同的 XCAT 人体模型。这 4200 个模型，分属 30 个不同的部位，每一个部位都别离由 1-140keV 的 X 射线模仿照耀失去 140 个不同的模型。
特色转换
基于本章中所介绍的能谱 CT 重建实践，本我的项目选用人体组织中的骨骼和软组 织作为物质合成的两种基物质，利用 MATLAB 实现其具体算法。依据本章中对于基物质合成模型实践的具体介绍和各个公式，联合试验所得人体骨骼和软组织 的线性衰减系数，只需很短的代码就能够实现物质合成模型的仿真。本节试验目标是为 U-net 物质合成模型提供训练集和测试集。具体为利用 MATLAB 仿真出 基物质合成模型，将原始的能谱 CT 成像后果合成为骨骼和软组织，作为对应影 像的标签。利用所失去的高、低能谱成像数据作为输出。
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 图像宰割畛域的深度学习网络，它是由弗莱堡大学 Olaf 在细胞影像学宰割较量 中提出的。因为该网络结构酷似英文字母“U”，故被称为 U-net。该网络由编 码层和解码层两局部组成。其中编码层次要作用是提取图片的上下文信息，解码层则对图片中的指标区域进行定位。U-net 网络采取数据加强策略能够实现对于样本较少的数据的精确学习。U-net 网络结构中没有全连贯层，因而能够大幅度 地缩小所须要的学习的参数量，极大地提高了网络结构的学习效率。
试验一采纳高、低能谱图像作为输出数据，以软组织宰割图像作为标签，训练 U-net 网络。网络训练后果如下
测试后果为：
由上述试验后果可知，两个试验随着训练次数的减少，它们所失去网络的准确率都逐步回升至靠近 1 的值并趋于稳定，而损失函数的值也逐步减小并趋于稳定。这阐明这两个试验训练所失去的模型最终都收敛，因此这两个基物质宰割网络是稳固无效的。
对于作者
在此对 Jingsong Liu 对本文所作的奉献示意诚挚感激，他在上海财经大学实现了金融信息工程硕士学位，善于机器学习、数理金融、数据分析。
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后果可视化
3.python 用遗传算法 - 神经网络 - 含糊逻辑控制算法对乐透剖析
4.R 语言联合新冠疫情 COVID-19 股票价格预测：ARIMA，KNN 和神经网络工夫序列剖析
5.Python TensorFlow 循环神经网络 RNN-LSTM 神经网络预测股票市场价格工夫序列和 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工夫序列深度学习预测
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 新冠疫情新增人数工夫序列预测