科研新聞

免费开户送58元体验金_开户免费送白菜娱乐网_八大胜开户网址_开户送体验金app下载_乐城开户送38元体验金任秋實課題組在能譜CT多物質分解研究方麵取得新進展

2020-10-22

近期,免费开户送58元体验金_开户免费送白菜娱乐网_八大胜开户网址_开户送体验金app下载_乐城开户送38元体验金生物醫學工程係任秋實教授課題組在能譜CT多物質分解研究方麵取得新進展,醫學影像領域頂級期刊IEEE Transactions on Medical Imaging於2020年10月16日以長文(Regular Paper)形式在線發表了他們題為“PMS-GAN: Parallel Multi-Stream Generative Adversarial Network for Multi-Material Decomposition in Spectral Computed Tomography”的研究論文。

CT(Computed Tomography),即X射線電子計算機斷層掃描,可以快速無創地獲取高分辨的結構信息,為臨床提供可靠的診療依據,因此在臨床診斷中被廣泛應用。能譜CT作為一種新型的CT成像方法,借助於光子計數探測器、快速kVp切換等技術,可以獲取多個能譜下物質的投影數據,通過物質分解算法計算出物質的電子密度、等效原子序數等信息,從而進行物質識別、實現多物質的成分分解成像。在臨床中,對造影劑物質的識別及定量分析有助於研究物體中造影劑物質的分布及其累積程度,對病灶診斷、降低輻射劑量等問題的研究具有重要意義。然而傳統的物質分解方法受限於CT係統不可避免的非線性因素的影響:實際應用的X射線大多是連續能譜,對於傳統的基物質分解模型來說,當其被引入連續能譜X射線的多色性因素時,物質分解精度往往受到各方麵的因素影響而顯著降低。

為了實現對更多種基物質的同時分解,北京大學任秋實課題組從圖像解纏(disentanglement)的思路出發,提出了一種新型的平行數據流生成對抗網絡(Parallel Multi-Stream Generative Adversarial Network, PMS-GAN),減少了深度神經網絡在處理多物質分解任務時各子生成器之間的串擾;並設計了一種新型的差分特征信息圖(differential map),借助於差分特征使各子生成器之間相互協助,進一步減少非目標基物質的分解殘餘;此外,研究團隊還設計了基於Markovian判別器(PatchGAN)的損失函數,降低了損失函數設計的複雜度。上述工作極大地提高了能譜CT多物質分解的精度。


圖1. PMS-GAN結構圖。(a)整體框架;(b)當基物質種類為3時的生成器結構圖;(c)子生成器G1的網絡結構。

研究團隊分別利用XCAT數值仿體和類人體軀幹實驗數據對該深度神經網絡進行驗證,分別被用於同時分解造影劑Ultravist370、骨頭和骨髓,以及活體檢驗針和類人體軀幹。實驗結果表明,與同領域的最新方法相比,PMS-GAN無論是在定量指標(結構相似度係數和皮爾遜相關係數)上,還是視覺效果上,均具有極大的性能提升,顯著地提升了多物質分解的精度,具備優異的抗噪魯棒性和泛化性能,展現出良好的臨床應用前景。


圖2. PMS-GAN及對照方法在XCAT數值仿體數據上的分解結果

論文第一作者為任秋實課題組博士生耿慕峰,北京大學為第一署名單位。該工作主要與德國埃爾朗根紐倫堡大學計算機係模式識別實驗室的盧閆曄研究員合作完成。其他合作者還包括德國埃爾朗根紐倫堡大學的Andreas Maier教授和河北大學的楊昆教授。該研究得到了國家自然科學基金(81421004)、深圳科技計劃(1210318663)及河北省自然科學基金(H2019201378)的經費支持。

任秋實教授課題組北京大學分子影像實驗室(www.milab.wiki)立足於醫學影像研究領域,研究內容貫穿分子影像設備研發、活體成像和轉化應用、影像數據分析處理的全過程,聚焦於多模態成像技術與人工智能、眼科光學成像和分子影像應用等具體問題。

文章鏈接:https://doi.org/10.1109/TMI.2020.3031617