原標題：MATLAB基於深度學習U-net神經網絡模型的能譜CT的基物質分解技術研究

全文連結：http://tecdat.cn/?p=31303

原文出處：拓端數據部落公眾號

分析師：Jingsong Liu

CT技術伴隨著一定劑量的輻射，會對患者的身體健康造成影響，而且 高劑量的輻射會損害人體的遺傳物質，甚至造成不可逆的損傷，進而誘發癌症。 因此，如何在保證成像質量的前提下儘可能地降低 CT 輻射劑量一直是科學家們 研究的熱點目標之一。此外，傳統的CT掃描技術只能顯示患者體內病灶的形態， 無法顯示目標結構的化學成分信息。由於不同化學組分的生物組織經過 X 射線掃描後可能會具有相近甚至相同的衰減係數，從而導致成像不準確進而造成誤診。

解決方案

本文利用杜克大學所提供的 XCAT 軟體，構建人體模型，然後使用 MATLAB 仿真出所構建模型基於能譜 CT 的投影域物質分解數據，再利用深度學習技術對 所得到的 CT 成像數據進行學習，構建可以識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 和深度學習 技術的原理，得到更加準確的 CT 重建圖像。相較於傳統 CT，可以實現在更低 的輻射劑量下得到更多更準確的人體內部組織結構信息的目的。這種最新的 CT 成像技術，將為醫生提供患者更加準確的組織、病例信息，為醫生做出準確高效 的診斷提供強大的信息基礎。與此同時，也極大地降低了患者所承受的醫源輻射劑量，保證了患者在接受診療的過程中不再受到二次傷害，為患者的健康提供了 重要保障。

數據源準備

對於數據最深層的需求來自 U-net 網絡模型的訓練。本項目的實驗由於實驗條件受限，使用的是個人 PC 機，運算能力較小，故選取較小的訓練集和測試集。本項目初步選取 30 張 CT 圖片作為 U-net 網絡的訓練集，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 XCAT 人體模型擬合得到（因此，本項目共需要構建 4200 個不同的 XCAT 人體模型。這 4200個模型，分屬 30個不同的部位，每一個部位都分別由 1-140keV 的 X 射線模擬照射得到 140 個不同的模型。

特徵轉換

基於本章中所介紹的能譜 CT 重建理論，本項目選用人體組織中的骨骼和軟組 織作為物質分解的兩種基物質，利用 MATLAB 實現其具體算法。根據本章中對於基物質分解模型理論的詳細介紹和各個公式，結合試驗所得人體骨骼和軟組織 的線性衰減係數，只需很短的代碼就可以實現物質分解模型的仿真。本節試驗目的是為 U-net 物質分解模型提供訓練集和測試集。具體為利用 MATLAB 仿真出 基物質分解模型，將原始的能譜 CT 成像結果分解為骨骼和軟組織，作為對應影 像的標籤。利用所得到的高、低能譜成像數據作為輸入。

劃分訓練集和測試集