机器学习:低剂量CT的优越结果

根据研究团队的说法，发表在这本影响力巨大的杂志上的研究结果为利用人工智能的力量来改善低剂量CT扫描提供了强有力的理由。“对于接受CT扫描的患者来说，辐射剂量一直是一个重要问题。我们的机器学习技术优于本研究中用于实现低辐射剂量CT的迭代技术，或者至少可以与之相媲美。”伦斯勒大学Clark & Crossan天伦特生物医学工程讲座教授Wang Ge表示。“这是一个高层次的结论，传达了一个强有力的信息。现在是机器学习迅速起飞的时候了，希望它能接管一切。”

在过去的几年中，低剂量CT成像技术一直是一个重要的焦点，旨在减轻患者在广泛使用的CT扫描中暴露于x射线辐射的担忧。然而，减少辐射会降低图像质量。为了解决这个问题，世界各地的工程师设计了迭代重建技术，以帮助筛选和消除CT图像中的干扰。王说，问题在于这些算法有时会删除有用的信息或错误地改变图像。

该团队开始使用机器学习框架来解决这一持久的挑战。具体来说，他们开发了一种专门的深度神经网络，并将其最好的结果与三种主要的商用CT扫描仪使用迭代重建技术所能产生的最好结果进行了比较。

这项工作是与曼努迪普·卡拉博士(Dr. Mannudeep Kalra)密切合作完成的，他是马萨诸塞州总医院(Massachusetts General Hospital)和哈佛医学院(Harvard Medical School)的放射学教授，也是论文的通讯作者。研究人员试图确定他们的深度学习方法与目前临床使用的代表性迭代算法相比的性能如何。

来自马萨诸塞州总医院和哈佛医学院的几位放射科医生评估了所有的CT图像。王说，由伦斯勒团队开发的深度学习算法在绝大多数情况下的表现与当前的迭代技术一样好，甚至更好。

研究人员发现，他们的深度学习方法也更快，并允许放射科医生根据临床需求对图像进行微调，卡拉博士说。

这些积极的结果是在没有获得所有CT扫描仪的原始数据的情况下实现的。Wang指出，如果能获得原始CT数据，一种更专业的深度学习算法应该会表现得更好。“这让放射科医生处于循环中，”王说。“换句话说，这意味着我们可以将机器智能和人类智能整合到深度学习框架中，促进临床翻译。”

他说，这些结果证实，深度学习可以帮助生成更安全、更准确的CT图像，同时运行速度也比迭代算法更快。Wang说:“我们很高兴能向社会展示机器学习方法可能比传统方法更好。”“它向科学界发出了一个强烈的信号。我们应该采用机器学习。”

王的团队的这项研究是伦斯勒生物技术和跨学科研究中心(CBIS)生物医学成像中心的教员们不断取得的重大进展之一。“王教授的工作是一个很好的例子，说明人工智能、机器和深度学习的进步是如何通过解决难题来改善生物医学工具和实践的——在这个案例中，帮助用较低的辐射剂量提供高质量的CT图像。”来自这些合作团队的变革性发展将导致更精确和个性化的医疗，”CBIS主任Deepak Vashishth说。