权益分类	功能权益	普通用户	{{item.name}}会员
{{category.name}}	{{benefitItem.name}}

Radiation dose reduction in CT by improving the image quality of ultra low dose CT images by means of deep learning

通过深度学习提高超低剂量CT图像的图像质量，减少CT辐射剂量

基本信息

批准号：
17H06679
负责人：
鈴木賢治
金额：
$ 1.75万
依托单位：
Tokyo Institute of Technology
依托单位国家：
日本
项目类别：
Grant-in-Aid for Research Activity Start-up
财政年份：
2017
资助国家：
日本
起止时间：
2017-08-25 至 2019-03-31
项目状态：
已结题

来源：
https://kaken.nii.ac.jp/en/grant/KAKENHI-PROJECT-17H06679/
关键词：
深層学習機械学習 CT 被曝低減雑音除去

项目摘要

１）画像出力型深層学習をベースとするCTのための被曝線量低減手法の開発本研究で開発したCTのための被曝線量低減手法は，我々独自の深層学習をベースとし，学習と実行ステップから成る．学習ステップでは，超低線量で撮像されたCT像を入力画像，高線量で撮像されたCT像を教師画像に使い，深層学習モデルを学習する．深層学習は，ニューラルネット回帰モデル（NN）で構成され，入力は超低線量CT像の局所領域の画素値，出力はそれに対応する高線量CT像中の1画素の推定値である．学習は，教師画素と出力画素の誤差が小さくなるよう，NNの重み係数を調整することにより行われる．実行ステップでは，学習後のモデルに未学習の超低線量CT像を入力すれば，あたかも高線量で撮ったようなCT像（仮想高線量CT像）に変換できる．CTデータの３次元化に伴い，深層学習モデルを３次元に拡張する場合，情報量の増大に伴う学習時間の増大が問題となる．２次元モデルの学習は，通常のPCにおいて約72時間を要した．３次元化すると情報量が10倍程に増える．この問題に対処するため，我々が以前に開発したLaplacian Eigenmapに基づく非線形入力次元削減手法を応用した．２）3次元胸部ファントムによる被曝線量低減手法の性能検証深層学習３次元モデルの学習と検証のため，精巧な3次元胸部ファントムを，CT装置の最低線量から最高線量までの複数の線量で撮像した．超低線量と最高線量のCT画像を入力画像と教師画像とし，深層学習モデルを学習した．本手法で低減できる被曝線量を定量的に明らかにするため，最高線量CT像を理想画像とし，出力CT像の画質をSSIM (Structural Similarity)を用いて評価した．仮想高線量CT像の画質と，実際に線量を変えて撮像したCT像の関係を調べることにより，本手法で低減できる線量を定量的に明らかにした．

1) The development of CT exposure reduction techniques for deep learning of image output type. Learn from the ultra-low-line image capture CT images into the portrait, high-line image capture CT images into the teacher portrait, deep learning to learn from. Deep learning is composed of the following components: input force, pixel value of local area of ultra-low-volume CT image, output force, estimated value of 1 pixel of high-volume CT image. The error of pixel output is small. The weight coefficient of NN is adjusted. After learning, the ultra-low-volume CT images are not learned.(Think of high-resolution CT images) Change.CT data is converted into 3-dimensional images. Deep learning is carried out in 3-dimensional images. Increase in information is accompanied by increase in learning time. Problem is that 2-dimensional images are studied. Usually PC data is converted into 3-dimensional images. The amount of information is increased by 10 times. This problem is related to the development of Laplacian Eigenmap, the basic non-linear force reduction method, the application of 3-dimensional chest, the performance evaluation of exposure reduction method, the deep learning of 3-dimensional chest, the learning of 3-dimensional chest, the minimum linear quantity of CT device, the maximum linear quantity of CT device, and the imaging of multiple linear quantities. Ultra-low-line CT images, maximum line CT images, teacher images, deep learning images. This method is used to evaluate the image quality of CT images with low exposure, high exposure, ideal image and Structural simplicity (SSIM). To improve the image quality of CT images, we need to reduce the amount of CT images by reducing the amount of CT images.