关键词：
X射线医学CT
低剂量
医学图像分割
COVID-19
深度学习
摘要：
X射线医学计算机断层成像(Computed Tomography,CT)因其能够对患者体内组织或器官进行非侵入性的快速成像而日益广泛应用于临床诊断和治疗之中。然而,X射线CT扫描时的电离辐射会在患者体内产生累积而造成某种程度的辐射伤害。这就要求CT扫描的X射线是低剂量的。通过降低X射线管工作电压、电流,或者缩短曝光时间可实现低剂量,但将使X射线探测器接收到的X射线光子减少,引发泊松噪声。这必将导致采集到的投影数据信噪比降低,进而重建得到的CT图像夹杂噪声并伴有伪影。可见,在降低X射线辐射情形下,如何既能确保医学CT成像图像重建的质量又可保障其临床诊断价值而进行低剂量CT成像去噪算法关键技术研究,具有重要的理论研究意义。尤其是,针对新型冠状病毒(Coronavirus Disease 2019,COVID-19)肺炎,医学CT成像较之于核酸检测(RT-PCR)等生物检测诊断技术,在COVID-19诊断方面则更加直观、快速。因此,开展COVID-19病灶的医学CT图像分割研究,具有重要的现实研究意义。本文基于X射线医学CT成像、CT图像处理与分析的信息流程,对低剂量CT投影数据去噪、低剂量CT图像后处理去噪和胸部CT图像COVID-19病灶分割分别进行深入研究,以点带面对X射线医学CT成像的图像处理与分析关键技术开展研究工作。研究内容主要包括:(1)深入并系统分析研究了X射线医学CT成像的基础理论及技术方法,明晰了X射线医学CT技术发展及其国内外研究现状,确立了低剂量X射线CT重建图像质量退化所面临的挑战——即,既要保证重建CT图像的质量,借以满足医学临床诊断需要,又要尽其所能降低患者所承受的X射线辐射风险。阐述了X射线医学CT图像处理与分析等关键技术,分析了胸部X射线CT图像COVID-19病变分割的挑战性及其准确分割的重要性。(2)研究了低剂量X射线医学CT投影数据去噪算法。针对现有的低剂量去噪方法,系直接操作低剂量CT图像而容易丢失图像中的一些细小结构和纹理,同时,有关原始投影数据的卷积神经网络处理尚鲜有报道,论文提出了用于低剂量CT投影数据去噪的注意力残差密集卷积神经网络(Attention Guided Residual Dense Convolutional Neural Network,Att RDN)。首先,在注意力机制辅助下,充分利用特征融合和全局残差学习的优势,从受噪声污染的低剂量CT投影数据中提取出噪声;接下来,利用输入的低剂量投影数据减去所提取到的噪声信息;最后,将去噪后投影数据进行解析重建。实验结果从定性和定量两方面展示了Att RDN具有更好的性能。(3)CT扫描过程X射线辐射对患者产生的潜在风险倍受公众的关注,而简单地降低辐射剂量将会导致重建CT图像质量退化,影响疾病的诊断。为此,论文提出了一种组合最小二乘损失、结构相似度损失和L1损失的混合损失最小二乘生成对抗网络(Hybrid Loss Least Squared Generative Adversarial Network,H-LSGAN)低剂量CT图像后处理去噪算法。即,由生成器提取出分布在低剂量CT图像中的复杂噪声,然后用低剂量CT图像减去此噪声就得到了去噪CT图像。最小二乘损失能够对被判别为常规剂量但仍然远离常规剂量CT数据分布的去噪CT图像实施惩罚,将其推向决策平面边界;结构相似度损失和L1损失用来保持图像纹理细节和锐度。实验结果表明,该方法能够对低剂量CT图像进行噪声去除及伪影抑制。去噪CT图像的纹理统计分析结果,进一步证实了去噪CT图像接近于相对应的常规剂量CT图像。(4)鉴于COVID-19感染部位多变、与周围正常组织对比度低、病变区域边界模糊等特点,进行COVID-19病灶的胸部CT图像分割非常具有挑战性;况且,可用CT数据集受限,极大阻碍了机器学习技术在抗击COVID-19中的应用。基于此,论文研究了一种基于深度学习的CT图像COVID-19病灶分割方法——金字塔池化UNet(Pyramid Pooling Module Improved UNet,PPM-UNet)。该方法采用金字塔池化模块取代UNet架构中的原初的快捷跳跃连接,随后使用全局注意力机制增强神经网络的表示能力。首先,采用包含1600个COVID-19伪标签的CT图像数据集对模型进行预训练得到一个粗糙模型;然后,使用包含有100个标签样本的标准COVID-19 CT数据集进行精细微调,得到了良好的PPM-UNet COVID-19病灶分割模型。实验结果表明,PPM-UNet分割COVID-19病灶性能高于其它的图像分割方法。本文从X射线医学CT成像图像分析与处理技术出发,分别研究了低剂量X射线CT投影数据去噪、低剂量X射线CT图像后处理去噪和COVID-19病灶C
欢迎来到三峡大学图书馆！
