基于深度特征学习的快速低剂量CT成像

This study aims toward to provide feasible solution to urgent CT radiation problem in radioliogical departments in local hospitals. This project is to be implemented in close collaboration with clinical radiologists to develop low dose CT imaging algorithms from the following four deep convolution network strategies: 1)-Deep Convolution Back-projection Network; 2)-Complete Network from Projections to Images 3)-Jump-mode Iteration Reconstruction Mapping Network; 4)- Tissue Discriminative Networks。In this way, the discriminative feature information in CT data (including projection data and image data) in the different doses and qualities will be fully exploited, and the developped algorithms will have good ability in representing image features in all the low, medium and high levels. After this, the research group will continue accelerating and improving the algorithms with clinical radiologists and industrial engineers. The finalized algorithm will be integrated into the CT systems for the domestic companies producing large medical equipments. The application of the developed algorithms will not be limited to the specific brands and models for CT systems, and have good implantability. The developped imaging algorithms will have the potential to run up to internationally high level and result in at least two international patents.

本研究面向解决当前国内医院影像诊疗科室CT扫描中的亟待解决的辐射剂量问题，通过和临床影像科医生和企业工程师紧密合作，本项目将从深度特征学习的角度入手设计低剂量CT成像算法，从1)-深度卷积反投影网络; (2)-投影到图像的全网络; (3)-跳跃式迭代重建映射网络；(4)-组织区分性网络四种的深度卷积网络四个策略入手，充分挖掘不同剂量下的不同质量的CT 投影数据及图像数据中的区别性特征信息，开发的算法模型将具有对图像低、中、高级特征强大的学习表达能力。随后，课题组将在临床影像科医生和企业工程师的指导下完善和加速算法，实现临床实用的快速低剂量CT成像算法, 并将成像算法集成植入国内大型医疗设备生产企业的CT整机系统。开发的算法模型将不依赖于特定品牌的CT设备，具有较高临床可移植性重建算法。通过该项目的实施，课题组有望获得有至少2 项技术达到同类技术的国际领先水平并获得国际专利。

使用较低的剂量进行CT成像能够减少辐射对病人身体的伤害，然而也将增加重建图像中的噪声和伪影，导致图像质量降低，给医生对异常、病变的诊断带来困难。该项目旨在探索和设计基于深度特征学习的快速而实用的低剂量CT成像算法——从深度特征学习的角度入手，面向解决当前国内医院影像诊疗科室CT扫描中的亟待解决的辐射剂量问题，提高图像的质量。. 申请人先后提出了“结合投影空间前处理、图像空间后处理的域递进残差网络”（DP-ResNet）、“深度迭代重建估计”（DIRE）、“实现精细结构增强低剂量CT成像的CLEAR重建框架”、“有效结合图像域和投影域中的互补信息的SPECIAL渐进改进重建策略”以及“利用谱间信息冗余的先验知识提高双能CT成像质量并降低辐射剂量的CD-Net” 等一系列重建或者后处理算法，从低剂量CT扫描数据中得到优质的重建图像，具有广阔的临床应用前景。.课题立项以来累计发表SCI收录期刊论文22篇，一定数量的论文发表在医学图像成像与分析领域具有广泛影响力的期刊或相关领域的国际顶级期刊，如《IEEE Transactions on Medical Imaging》、《Medical Image Analysis》和《Physics in Medicine and Biology》等。相关工作被引用超过200次，引用人包括美国犹他大学的GENGSHENG L. ZENG教授（IEEE Fellow）、北京航空航天大学的赵维教授等。同时，申请人及相关成果获得了2020年度中国体视学学会科学技术奖科技进步二等奖、吴文俊人工智能科技进步二等奖和2021年度江苏省科学技术奖（三等），进一步体现了相关研究成果的科学意义与价值。