CT发展史之机器学习在CT图像重建中的应用

admin

                    

                    

                    
                    
                    <section><section powered-by="gulangu"><section><section><section data-role="paragraph" data-color="rgb(182, 228, 253)" data-custom="rgb(182, 228, 253)"><section><section><section><section powered-by="gulangu"><section><section><section><section powered-by="gulangu"><section><section><section><section powered-by="gulangu"><section><section><section><section powered-by="gulangu"><section><section><section><section><p><p><img src="image/20201014/86b79d371e9862b01189f0252a03b2cd_1.png" /></p></p></section><section><section><span><strong></strong></span></section><p><span>医疗器械媒体报道先锋</span></p><p><span>分享专业医疗器械知识</span></p></section><section><section><section>关注</section></section></section></section></section></section></section></section></section></section></section></section></section></section></section></section></section></section></section></section></section></section></section><p><span><strong><span>来源:</span></strong></span></p><p><br  /></p><p>1917年奥地利数学家拉东提出了由投影重建图像的理论，奠定了CT图像重建的基础。在如今的AI时代，将热门的深度学习或机器学习和断层成像的结合，不仅有助于图像分析，还有助于图像重建。这篇文章重点探讨机器学习在CT图像重建中的应用，即深度成像。</p><p><br  /></p></section></section></section><section powered-by="gulangu"><section><section><p><img src="image/20201014/e7917d60248c40b3383ad0e34821a9de_2.jpg" /></p></section></section></section><section powered-by="gulangu"><section><section><p>（CT图像重建的过去，现在和未来。）</p></section></section></section><section powered-by="gulangu"><section><section><p><br  /></p></section></section></section><section powered-by="gulangu"><section><section><section><section></section></section><section></section><section><p><strong>深度成像的原理</strong></p></section></section></section></section><section powered-by="gulangu"><section><section><p><br  /></p></section></section></section><section powered-by="gulangu"><section><section><p>图像重建是从原始数据（利用断层扫描测量的特征）到底层图像，是下图中从图像到特征的逆操作。深度成像的直接路径可以简单地从原始数据到初始图像，然后通过细化深度网络处理所重建的图像。（与深度学习的重叠）。</p><p><br  /></p></section></section></section><section powered-by="gulangu"><section><section><p><img src="image/20201014/e4c1fd14dd941950f767261202db4403_3.gif" /></p></section></section></section><section powered-by="gulangu"><section><section><p>（通过非线性多分辨率分析（全连接或局部连接）进行特征提取和分类的深度网络。）</p><p><br  /></p></section></section></section><section powered-by="gulangu"><section><section><section><section></section></section><section></section><section><p><strong>低挂和高挂果实的路线图</strong></p></section></section></section></section><section powered-by="gulangu"><section><section><p><br  /></p></section></section></section><section powered-by="gulangu"><section><section><p><span>对于深度成像，有各种技术可以开发为低挂和高挂果实。让我们先来看看低挂的果实，然后是高挂的果实。但是，这些可以并行进行。</span></p></section></section></section><section powered-by="gulangu"><section><section><p><br  /></p></section></section></section><section powered-by="gulangu"><section><section><section></section><section><p><strong>低挂果实</strong></p></section></section></section></section><section powered-by="gulangu"><section><section><p><br  /></p></section></section></section><section powered-by="gulangu"><section><section><p>首先，通过用深度学习对应物替换当前图像重建方案的一个或多个机器学习元素，可以收获低悬的果实。将每种类型的重建算法视为有机流程图，并且一些构建块可以由机器学习对应物替换。如下图所示，用于迭代重建的一般流程图，相应的原始模块可以被机器学习模块敲掉。</p></section></section></section><section powered-by="gulangu"><section><section><p><br  /></p></section></section></section><section powered-by="gulangu"><section><section><p><img src="image/20201014/8e5dd2771a36febcf9986bf3fae4eb37_4.gif" /></p></section></section></section><section powered-by="gulangu"><section><section><p><br  /></p></section></section></section><section powered-by="gulangu"><section><section><p><br  /></p></section></section></section><section powered-by="gulangu"><section><section><p>（<span>在传统的迭代重建流程图中替换机器学习模块来摘取低挂果实。</span><span>）</span></p></section></section></section><section powered-by="gulangu"><section><section><p><br  /></p></section></section></section><section powered-by="gulangu"><section><section><p>现有技术的重建算法可用于指导相应的深度网络的构建。通过万有逼近定理，每个计算元素应该具有神经网络对应物。基于深度学习的重建的真正强大之处在于数据驱动的知识增强能力，以便在特定于应用的低维流形内承诺更智能的初始猜测，更相关的中间特征以及最佳正则化的最终图像。</p></section></section></section><section powered-by="gulangu"><section><section><p><br  /></p></section></section></section><section powered-by="gulangu"><section><section><section></section><section><p><strong>高挂果实</strong></p></section></section></section></section><section powered-by="gulangu"><section><section><p><br  /></p></section></section></section><section powered-by="gulangu"><section><section><p>相比之下，高挂果实并不一定涉及经典重建算法的任何关键要素。凭借最先进的深度成像算法，可以涵盖最广泛的图像重建问题，以获得优于现有技术的成像性能。</p><p><br  /></p><p><strong>网络配置</strong></p><p>针对典型应用的网络拓扑（和动态）设计是一个突出的目标，这相当于算法设计或计算机体系结构设计。可以大胆推测深度成像网络可能胜过传统的成像算法，因为深度网络的信息处理在激活函数中是非线性的，通过深度分层的结构是全局的，并且是从大数据中获得的综合先验知识的最佳选择。这与线性，局部或临时的?许多传统正则化器形成鲜明对比。目前，网络设计在整体架构和组件特性方面仍然是一个积极探索的领域，并且很少涉及图像重建的目的。</p><p>通过模仿神经可塑性 - 大脑在学习，适应和补偿方面的成长和重组能力，可以进一步改善深层神经网络和人工智能。目前，使用试错法获得了深层网络中每层的层数和神经元数量，并且不受任何理论的支配。关于大脑的成长和重组，未来的深度网络可以以相同的方式工作，变得更具适应性，更适合医学成像。</p><p><br  /></p><p><strong>数据生成</strong></p><p>高级图像建模和数据生成非常重要。在临床中，存在数量巨大的图像量，但仅标记了有限量的图像，并且患者隐私一直是医学成像研究的障碍。尽管如此，大数据和深度学习的领域已经成熟。首先，研究人员逐渐可以获得大数据。一个很好的例子是全国肺部筛查试验（NLST）。在这种情况下，将成像数据与重建图像配对是非常宝贵的。另一方面，真正逼真的模拟器可以发挥关键作用。例如，高性能模拟器（如用于CT研究的CatSim ）可以将实际图像作为输入，以产生用于训练和测试目的的高质量“原始数据”。更有趣的是，可以构建一个通用的解剖图像模型来生成大数据。例如，使用解剖图谱，例如基于可见人类项目的图像，我们可以产生代表不同对比（例如CT和MRI）的人体的图像体积。利用可变形的变形方法，可以产生大量解剖学上逼真的图像。</p></section></section></section><section powered-by="gulangu"><section><section><p><br  /></p></section></section></section><section powered-by="gulangu"><section><section><p><img src="image/20201014/81aea829f47b0656c90066327f76f349_5.gif" /></p></section></section></section><section powered-by="gulangu"><section><section><p>（RPI怀孕女性模型的器官和体表分别在3个月，6个月和9个月结束时用于估计放射学检查中的辐射剂量）</p></section></section></section><section powered-by="gulangu"><section><section><p><br  /></p></section></section></section><section powered-by="gulangu"><section><section><section><section></section></section><section></section><section><p><strong>深度成像的两个例子</strong></p></section></section></section></section><section powered-by="gulangu"><section><section><p><br  /></p></section></section></section><section powered-by="gulangu"><section><section><p>第一个例子是从质量差的正弦图到高质量的正弦图。现在，每个体模包含一个固定的背景盘和圆形背景内的两个随机盘：一个盘代表一个X射线衰减特征，另一个盘代表一个X射线不透明金属部分。图像大小是32?×?32。之后，从90个角度生成正弦图。<span>金属被阻挡的投影与金属被透明物体替换后形成的完整投影相关联。然后，可以训练深度网络以从低质量投影预测大大改善的投影</span></p></section></section></section><section powered-by="gulangu"><section><section><p><br  /></p></section></section></section><section powered-by="gulangu"><section><section><p><img src="image/20201014/eb532f033db2e5ab2b39ffd86ae0c5cc_6.gif" /></p></section></section></section><section powered-by="gulangu"><section><section><p><br  /></p></section></section></section><section powered-by="gulangu"><section><section><p>第二个例子展示了<span>Harvard</span>放射学胸部CT数据集深度学习的潜力。这些数据集以低剂量水平获得。它们使用三种重建技术重建：滤波反投影（FBP），自适应统计迭代重建（ASIR）和基于模型的迭代重建（MBIR）。这些都是在商用CT扫描仪上实现的。遵循与前两个示例相同的深度学习过程，并将FBP图像作为输入，将MBIR图像作为神经网络训练的黄金标准。为了比较，使用块匹配和3D滤波（BM3D）方法和深度神经网络对FBP图像进行图像去噪。与MBIR对应物相比，显示了深度学习的图像去噪效果。可以观察到，通过深度学习实现的图像质量与MBIR非常相似，但深度学习比现有技术的迭代重建快得多。有趣的是，标准的“廉价”FBP之后的计算有效的后处理神经网络实现了与更精细的迭代方案非常相似的结果，然而神经网络解决方案不需要任何明确的物理知识。</p></section></section></section><section powered-by="gulangu"><section><section><p><br  /></p></section></section></section><section powered-by="gulangu"><section><section><p><img src="image/20201014/6f82674c24abd013ea6857976f3cc2a6_7.gif" /></p></section></section></section><section powered-by="gulangu"><section><section><p><br  /></p></section></section></section><section powered-by="gulangu"><section><section><p>深度学习还可以帮助调整或设计特定于不同器官，病变类型和患者特征的成像和阅读协议。此外，基于大数据的深度成像软件可以查询跨机构和医学专业的数据，并通过整合诸如患者年龄，性别，症状，病史，疾病概况，生物化学，病理学，微生物学和基因组等信息来超越现有的决策支持计划。此外，为什么不通过深度学习结合诊断和治疗？监督自主机器人软组织手术就是一个初始的例子。</p><p><br  /></p></section></section></section></section><section data-role="outer" label="Powered by gulangu"><section data-role="paragraph" data-color="#374aae"><p><strong><span>本文由翻译</span></strong><strong><span>/</span></strong><strong><span>整理自王革教授的论文《</span></strong><strong><span>A Perspective on Deep Imaging</span></strong><strong><span>》，感谢王革教授和他的学生范凤磊对这篇文章的贡献，转载请注明出处。对于机器学习和医学影像感兴趣的读者可以关注他们所创建的公众号：纯真学者出神入化。</span></strong></p><p><p><img src="image/20201014/83731d1215935b46c0db9f6acf03f982_8.jpg" /></p></p><p><strong><span>对于原文请看</span></strong><strong><span>:?</span></strong></p><p><span><strong><span>https://ieeexplore.ieee.org/document/7733110</span></strong></span></p><p><strong><span>基于这篇观点文章</span></strong><strong><span>, IEEE Trans. Medical Imaging </span></strong><strong><span>发表了第一个特刊</span></strong></p><p><strong><span>https://ieeexplore.ieee.org/document/8359079</span></strong><br  /></p></section></section><section data-role="outer" label="Powered by gulangu"><p></p><section data-id="1658"><section><section><section data-id="1658"><section><section><section data-id="1658"><section><section><section data-id="1658"><section><section><p><span><strong>相关阅读</strong></span></p></section><p><p><img src="image/20201014/ec237188ae1e9c03eb4d9814f31b18ab_9.gif" /></p></p><p><br  /></p><p><span>如何花最少的钱造一台CT？</span><br  /></p><p><br  /></p><p><span>CT球管的前世今生！</span><br  /></p><p><br  /></p><p><span>未来十年CT技术的发展方向</span><br  /></p><p><br  /></p><p><span>同为64排CT，为什么“它”叫128层，“你”却是64层？</span><br  /></p></section></section></section></section></section></section></section></section></section></section></section><p><br  /></p><p><span><strong><span><p><img src="image/20201014/225eae26a91575de7508aebe3e999278_10.jpg" /></p></span></strong></span></p></section>