基于深度学习的CT扫描低剂量优化：新方法和研究文献综述

医学信息学解锁19（2020）100335Spark架构用于基于深度学习的剂量优化，医学成像Cl�emenceAllaTakama，OdetteSambaa，b，AurelleTchagnaKouanoua，c，*，DanielTchiotsopdaUnit�edeRecherchedeMati�ereCondens�eed喀麦隆bServicedeRadiothéerapie，H^opitalGéenéeraldeYaoundée-Cameroun，Cameroonc喀麦隆雅温得InchTech解决方案培训、研究、开发和创新部d Uni t�e de Recherche d 'Automatique et d' Informatique Escherqu�ee（URAIA），IUT-FV de Bandjoun，Universi t�e de Dschang-Cameroun，B.P.134，Bandjoun，CameroonA R T I C L EI N FO保留字：计算机断层扫描图像深度学习Spark框架架构低剂量优化A B S T R A C T背景和目的：深度学习（DL）和机器学习（ML）为生物医学图像分析带来了几项突破，为生物医学图像中的模式识别，分类，重建，去噪，量化和分割提供了更一致和强大的工具。 最近，开发了DL和ML在计算机断层扫描（CT）中用于低剂量优化的一些应用。目前，DL算法在CT中用于执行丢失数据的替换（处理技术），诸如低剂量到高剂量、稀疏视图到全视图、低分辨率到高分辨率以及有限角度到全角度。因此，DL带来了一个新的愿景来处理来自CT扫描的生物医学数据图像。由于重建和处理技术，开发基于DL算法的架构和/或方法以最小化CT扫描检查方法：本文介绍了用于CT扫描低剂量优化的DL，展示了文献中描述的示例，简要讨论了CT扫描图像处理中使用的新方法，并给出了结论。我们基于我们的研究文献，并提出了一个流水线的低剂量CT扫描图像重建。我们提出的管道依赖于DL和使用MapReduce编程的Spark框架。我们讨论了我们提出的管道与文献中提出的，得出结论的效率和重要性。结果：提出了一种使用CT成像进行低剂量优化的架构。我们使用Spark框架来设计架构。建议的架构依赖于DL，并允许我们开发有效的和适当的方法来处理剂量优化与CT扫描图像。我们的管道图像去噪的实际实现表明，我们可以减少辐射剂量，并使用我们提出的管道，以提高捕获图像的质量。结论：所提出的架构的基础上DL是完整的，使生物医学CT图像的处理速度比以前的方法在文献中描述的1. 介绍机器学习（ML）技术以许多成功的聚类和分类算法的形式广泛用于生物医学成像研究ML是人工智能（AI）的一个分支，已被用于各种应用。它用于分析复杂的数据集，并在没有显式编程的情况下找到这些数据之间的模式和关系[1]。ML技术是医学成像研究的重要组成部分。最近，一种被称为深度学习（DL）的高度灵活的机器学习方法已经成为一种改进机器学习的技术。现有ML技术的性能，并解决以前难以解决的问题[2]。DL已经从ML和计算机视觉社区中出现[3]。基于DL的方法成功的关键是它独立于显式成像模型，由大的特定领域数据备份，并且通过端到端的方式学习特征来优化图像质量[4]。它最近已被应用于自然语言处理，人脸识别，语音识别，图像分类和自动诊断的问题，并取得了良好的效果[3，5如今，DL已经允许在CT中的许多应用，并有助于提高解释速度，诊断准确性，*通讯作者。Unit�edeRecherchedeMati�ereCondens�eedtkaurelle@gmail.comhttps://doi.org/10.1016/j.imu.2020.100335接收日期：2019年12月24日;接收日期：2020年4月12日;接受日期：2020年4月24日2020年4月30日在线提供2352-9148/©2020的 自行发表通过Elsevier 公司这是一个开放接入文章下的CCBY-NC-ND许可证（http://creativecommons.org/licenses/by-nc-nd/4.0/）中找到。可在ScienceDirect上获得目录列表医学信息学期刊主页：http://www.elsevier.com/locate/imuC. Alla Takam等.医学信息学解锁19（2020）1003352临床效率。此外，CT广泛用于研究目的和临床的检测、诊断和图像引导治疗[9CT是一种众所周知的成像技术，可以对物体内部进行无创可视化[13]。CT扫描中的主要问题是在检查期间优化和最小化辐射剂量，特别是在儿科颅骨扫描中。开发和优化剂量测定方案，在小儿头颅扫描是在全球医疗保健界的极大兴趣。 事实上，患者特定剂量测定在儿科颅骨应用中具有重要意义，因为与成人相比，辐射灵敏度显著更高。这是因为与接受同等剂量的成年人相比，儿童患癌症的风险更高[14]。鉴于X射线辐射对儿科患者的可能风险，低剂量CT在生物医学成像领域引起了相当大的兴趣[15]。然而，低剂量CT的主要问题是图像噪声和获得的结果的质量。为了克服缺点，使用具有卷积神经网络（CNN）算法的DL。实际上，各种DL和ML算法的目标之一是提高诊断中数据解释的一致性、质量和/或适当性。DL可以改善低剂量CT头颅扫描的图像质量在本文中，我们主要集中在剂量优化在儿科使用用于DL的CNN进行颅骨扫描以及图像处理。我们提出了一个管道，描述了从文献中得出的最佳算法和方法。该流水线执行图像去噪、图像分割、CNN、图像检索、图像诊断和存储的步骤。我们描述了使用大数据框架（Spark）与MapReduce方法来构建我们提出的架构的重要性。我们讨论我们提出的管道和架构与文献中描述的。我们的FCNN的实施进行。其余的工作组织如下：第2节介绍了在该领域的最先进的出版作品。在第3节中，这些工作在理论上进行了开发，并提出了我们提出的架构。第4节介绍了我们的体系结构的实现和取得的成果。第5节对结果进行了检查和讨论。第六部分是结论和未来的工作。2. State-of-the-artML和DL正在成为AI广泛领域中分析和利用数据集中模式的既定学科[16DL模型（如CNN）是指一类计算机器，可以通过从低级属性构建高级属性来学习特征层次结构，从而自动化特征构建器的过程[8，20，21]。在CT扫描图像中，DL通常用于最小化辐射暴露、噪声图像和CT图像重建的目的。 CT使用伽马射线、X射线、超声波或其他类型的光束与敏感探测器配合，依次扫描人体的各个部位[22]。然而，对于CT扫描，获得优异的图像质量需要在过程期间非常高的辐射剂量。此外，患者特异性剂量测定在儿科中具有很高的兴趣，治疗颅骨应用，因为与成人相比，辐射敏感性明显更高[23]。因此，低剂量CT在这些条件下是必不可少的。低剂量CT生物医学成像技术在过去几年中一直是一个焦点，以减轻对患者暴露于X射线辐射以及广泛使用的CT扫描的担忧[24]。根据参考文档[23]，作者在2018年回顾了儿科诊断方法中的剂量测定应用，包括CT和核医学应用，其中有三个关键挑战需要解决儿科颅骨扫描中的剂量优化：- 计算时间和对计算资源的需求，以实现大规模、准确和逼真的MC模拟，并结合患者的特定特征。- 儿科治疗和诊断中使用的几种临床方案的验证是基于真实数据的。- 在儿童临床实践中应用实验剂量测定存在典型困难（例如基于体表TLD的CT剂量测定）。基于这些挑战，进行了许多工作以降低辐射剂量并在CT检查期间保持捕获图像的质量。在参考文献[25然而，减少辐射会导致图像质量下降。DL可以通过重建来克服这个问题，并防止从原始CT图像中去除有用的信息。文献中描述了许多类型的研究和出版物。为了减少辐射剂量，一些工作是基于传统的方法（协议优化）和其他基于DL和ML技术。在参考文献[32Dalmazo等人在参考文献[36]中进行了调查 在一所大学医院，使用体模和电离室的CT方案中的辐射剂量。他们的研究仅基于设备调查。2012年，Dougeni等人审查了成人和儿童CT扫描中的患者剂量和优化程序[37]。讨论和比较了CT剂量优化方面的各种文献。最近，在2019年，Smith-Bindman等人进行了一项由7个国家的151家机构组成的多中心研究，并从超过200万例成人CT检查中提出了一项实用方案，以优化CT扫描或其他放射学检查期间的剂量辐射[38]。2020年，Abdukkadir等人进行了一项通过调查研究，优化当前的地方做法，马来西亚Kelanta放射科头部和腹部儿科CT检查的辐射剂量分布和现有常规扫描协议[39]。此外，Choi等人在参考文献[40]中提出了一项工作，以优化儿科腹部CT扫描中各种曝光条件和体模直径的剂量和图像质量。在参考文献[41]中，作者评估了剂量优化（DO）颈椎CT在紧急情况下能够进行肩关节下拉的患者中的图像质量，以降低暴露剂量并提高图像质量。 Chen等人，2017年，确定了如何提高CT扫描后的图像质量[42]。目前，许多工作是基于DL或ML，看看如何减少在CT扫描检查期间的辐射剂量，并保持令人满意的分辨率和捕获图像的质量。关于剂量优化中的ML和DL， Kang et al.提出2017是一种使用CNN应用于低剂量CT图像的窗口傅里叶变换（小波变换）系数的算法。他们的CNN是用残差学习架构构建的，用于更快的网络训练和更好的性能。他们提出的算法的执行表明，有效消除了来自降低X射线剂量的CT图像的复杂噪声模式，并且小波域CNN在用于抑制低剂量CT的噪声时是有效的[43]。Jung等人还在2017年对DL在一系列任务和靶器官中分析CT和磁共振成像（MRI）生物医学图像的最新应用进行了调查，他们专注于提高当前诊断分析的准确性和生产率[44]。他们介绍了一些有前途的应用，显著改变了当前的生物医学成像管道[44]。然而，他们没有为他们引入的方法提供工作流程。Xuy等人在参考文献[45]中提出了一种DL方法，用于在通过PET扫描捕获生物医学图像期间，当辐射剂量较低时，解决PET图像重建的质量问题，以实现出色的临床诊断[45]。他们的基础是一个具有级联跳跃连接的编码器-解码器残差深度网络。Liu等人评估了如何使用基于DL的优化算法进行降噪和图像质量（IQ）增强，低剂量冠状动脉CT血管造影（CCTA）[46]。Wurfl等人在参考文献[47]中提出了一种用于3-D CT重建的新DL框架。他们提出了一种新型的锥束反投影层，有效地计算了前向通过，并且其框架允许在C. Alla Takam等.医学信息学解锁19（2020）1003353Fig. 1. 用于低剂量CT图像重建的流水线。只有多处理步骤将使用Spark框架设计。体积和投影域。尽管有很好的性能，但他们的方法仅限于后处理。Shan等人于2018年在生成对抗网络（GAN）框架内的2D和3D配置中引入了基于传输路径的卷积编码器-解码器（CPCE）网络，用于基于转移学习的低剂量CT去噪[48]。Tian等人利用CNN并结合两个网络来增加网络的宽度，从而获得更多的特征。这使他们能够设计一种称为批量重正化去噪网络（BRDNet）的新型网络，以消除图像噪声[49]。然而，作者没有使用CT图像。Lee等人开发了一种使用DL及其CNN的方法，该方法允许分析CT图像任务，例如对象检测和语义分割，或测试其他生物医学成像模式，例如MRI和正电子发射断层扫描（PET）[50]。然而，他们的方法不是基于低剂量CT。 You等人在2018年提出了一种半监督深度学习方法，用于从低分辨率（LR）对应物中准确恢复高分辨率（HR）CT图像，以提供卓越的诊断质量，这与传统图像质量测量方面的系统定量评估一致[4]。在他们的深度成像过程中，他们结合了残差学习、CNN和网络中网络技术来进行特征恢复和提取。最近，在2019年，Gu等人结合了一个随机森林结合字典学习，以减少CT扫描辐射，同时通过使用ML算法（随机森林）确保新的低剂量CT超分辨率和CT图像质量[22]。同年，Meineke等人证明ML可以全面检测胸部CT检查，具有剂量优化潜力[51]。他们使用了3，199次CT胸部检查来训练和测试不同的神经网络层和组件，并对构建的模型进行了改进和优化，并进行了训练，以根据扫描患者指标预测体积CT剂量指数（CTDIvol）[51]。 然而，在之前的三项工作中，作者没有提供基于大数据技术和DL的架构，用于儿童头颅CT扫描的剂量优化。根据这些引用的作品，据我们所知，作者使用DL、Spark框架和MapReduce处理模型提供了一个特定的管道和大数据架构来管理低剂量的头颅CT扫描图像的效率。这一缺陷正是本文的主要兴趣所在。事实上，我们已经设计了一个流水线，实现了一个全CNN（FCNN）处理CT扫描图像，并提出了一种方法，在应用FCNN之前将生物医学图像分割成部分。因此，我们可以使用Spark框架和Map-Reduce编程，并使用我们的建议加速处理时间。图二. 卷积神经网络（CNN）架构。C. Alla Takam等.医学信息学解锁19（2020）1003354X尽可能地消除随机噪声是目标ðþÞ图三. CT图像去噪的层名称。架构我们提出的架构允许在儿科颅脑CT成像中调整低剂量以进行正确的诊断。3. 方法已经开发了许多软件和编程方法来将图像分割成许多部分进行处理。实际上，将每个图像划分为部分，然后处理它们并合并是在许多医学成像管道中采用的典型过程。然而，本文介绍的新概念是执行并行处理，实际上并没有做的生物医学图像。传统上，我们将每个图像分为多个部分，而不是一个接一个地处理每个部分，我们使用Spark框架同时处理图像的多个或所有部分。我们建议的工作流程将在本节中讨论随着CT在现代医学中的使用越来越多，人们开始担心生物医学成像对社区的辐射剂量增加，以及辐射诱发癌症的相关估计风险增加[52]。扫描方法的优化非常重要，以便在最小化辐射剂量的情况下收集或捕获必要的临床信息[53]。在这一部分中，我们提出了一个基于CNN的低剂量CT图像诊断的最佳管道。我们提出的管道依赖于四个主要部分：捕获的图像，多处理图像，去噪诊断，共享或存储。&图 1显示了我们建议的管道的部分。3.1. CT扫描图像去噪理论图像去噪一直是图像处理领域的一个基本问题[54]。去除原始图像上的噪声仍然是数字图像处理中具有挑战性的问题解决细节问题层，如图2所示：分别为输入层、隐藏层和输出层。然而，我们可以将这三个层分为两组：卷积和池化操作，以及全连接层。另一方面，这三个层由一堆运算符组成，包括扩张卷积（DC）运算符，批量归一化（BN）运算符和整流线性单元（ReLu）[59，60]。ReLU起着激活功能的作用。图3呈现了用于图像去噪的CNN架构中的一组层- 卷积层：卷积运算符;在图像分析中，卷积被定义为对图像中某个位置处的输入值（piX el值）的运算，第二个函数是滤波器（或内核）[60，61]。卷积运算由 * 符号定义。当输入I（t）与核K（a）或滤波器卷积时，输出（或特征图）s（t（2）第一章：第一次的约会对于一维算子，离散卷积由等式（3）给出，并且当t仅取整数值时：在本文中，我们将卷积应用于CT扫描图像（2D信号）。输入图像I（m，n）和核K（a，b）的卷积算子由（4）定义：第1004章：我的天（4）一核可以使用交换定律翻转，并且方程（4）改写为（5）stXXIm-a;n-b：Ka;b（5）一B图像去噪方法。许多去噪技术依赖于数学方法。在数学上，图像去噪的问题可以在参考文献中建模[55]通过等式（1）：（1）神经网络实现互相关函数，这与卷积相同，但没有翻转内核[60，61]。stXIma;nb：Ka;b（6）一B其中y是观察到的噪声图像，x是未知的干净图像，并且b表示具有标准去噪的加性高斯白噪声（AWGN）。在参考文献[54-58 ]中，作者表明图像去噪技术依赖于空间域（线性和非线性）和变换域（自适应数据变换和非自适应数据变换）。在本小节中，我们介绍了我们工作中应用的去噪FCNN架构，该架构基于Zhang等人在2019年提出的工作。[59]。详细介绍了CNN结构中参数更新的过程，并给出了数学解释。我们在本小节中讨论了用于图像去噪的CNN模型在这一部分中，我们开发了CNN的数学模型，使我们能够基于CNN架构和训练过程从噪声图像中预测一个干净的版本。CNN模型通常有三个-DC运算符; DC函数在参考文献[62]中定义，支持指数扩展感受野而不损失分辨率或覆盖范围，并且指的是与扩张滤波器的卷积。DC算子由参考文献1中的方程（1）和（2）定义[62].考虑F：Z→M是一个离散函数，Ωr1/2-r;r2\Z2，k：Ωr→M是一个大小为2r 12的离散滤波器。离散卷积算子 * 可以由（7）定义：第1007章：你是我的女人（7）最新动态一C. Alla Takam等.医学信息学解锁19（2020）1003355M¼þ¼ ðÞðÞX1张图片1/1Bx¼MBBB1/4fgΘ mi¼1∂μB¼i¼1∂bxi�pσffiffiffi2ffiffiffiþffiffiffiffiffiεffiffiMI¼BMI¼现在考虑l是膨胀因子，并且 *l 由（8）定义：XΘ 1/2argmin1×1/2x1;Θ2/3（16）s*lt¼p注：这个定义反映了DC算子的实现，它不涉及扩张滤波器的构造。- 整流线性单元（ReLu）层;ReLu层是一个激活函数，将负输入值设置为零[60]。ReLu有助于避免消失梯度问题，简化和加速计算和训练。在数学上，它被定义为：对于CT扫描图像去噪，我们需要从噪声观测y x b中恢复干净的图像x，其中b表示假设为高斯函数的加性噪声（参见等式（1））。在这里，作为参考。[59]，基于残差学习的CNN架构被设计为学习残差映射F y;Θ以预测残差噪声b，并且x y-F y;Θ被获得作为CT扫描去噪图像。Θ被认为是CNN架构中的所有可训练特征的最小化函数等式（16）可以由等式（17）重写，fxmax 0;x（9）其中x是神经元的输入其他激活函数包括Ml Θ2mi¼1kFyi;θ-yi-xi k2（十七）tanh、leaky ReLu、sigmoid、parametric ReLu和Randomized ReLu。- 池化层;为了减少在算法实现过程中要计算的参数数量，池化层被插入在卷积层和卷积U层之间。最大池是最常用的，因为它只需要最大的输入值其中，fxuyi-xixixixixgm表示m个噪声-干净训练对。通过使用传统的前向传播，损耗通过等式10-15中定义的规则从最后一层传播到第一层第k层中的参数θk2Θ被导出为：联系我们（ 18）（图像）在过滤器内，并丢弃其他值;实际上，总结了邻域内最强的激活[60，61]。kkθk- BN算子;它是一种可微变换，其中λ是学习率，并且从最后一层到层获取λ1规范化的激活到网络中，以确保作为模型根据链式法则。θk布里尔是训练;层可以继续在表现出较少内部协变量偏移的输入分布上学习，从而加速训练[63]。 在这里，我们独立地对每个标量特征进行归一化，使其为零均值（μ B<$0）和单位方差（σ2 1/4）。期间在训练阶段，我们需要通过BN变换反向传播损失的梯度，并根据参考文献中定义的一些规则[63]通过等式（10）布里尔图1的多处理步骤是基于使用Deep CNN进行CT低剂量优化研究所提供的许多调查，以便提出我们的方法[18，64FCNN由多层神经元类计算连接组成，具有最少的分步处理，实现了显著的改进[68]。在这一部分中，我们可以有两种图像，即，沉重和柔软的图像。 事实上，一些生物医学图像是以2的权重捕获的千兆字节或更多，而其他的小于一百兆字节。在伊布卜岛中国（10）M我们的管道，如果输入图像很重，我们将其分为许多部分或子图像，并使用Spark和基于FCNN的 MapReduce来执行10000 μB/10000μ B。σ2þεΣB阿斯-3=2（十一）每个子图像的并行处理在处理结束时，我们使用表循环向上以重建图像。因此，重建的图像是∂σ2布里尔1/1 BX轴2B-1个B（十二）为下一阶段做好准备另一方面，对于软图像，我们可以使用超过20张图像，并使用并行编程在Spark中使用FCNN处理它们。使用这种处理方法，我们可以获得布里尔阿斯克斯岛布里尔四分之一xiM1�pσffiffiffi2ffiffiffiffiffiffiεffiffi布里尔þ∂σ2200xi-μBM第1章公司简介（十三）并且空间关系不一定被保留。然而，FCNN的训练在计算上要求很高，并且需要可能不容易获得的大数据集。 解决培训时间通常很高，一个大型的机器学习社区，��工程师和程序员致力于研究和开发∂γi¼1 ∂yiM更灵活、更快速的软件平台，适用于DL用例。有很多例子，如Keras，TensorFlow，Pytorch，Theano，Torch，l¼X（十五）它提供了一个令人兴奋的体验和有用的界面，∂βi¼1 ∂yi测试深度学习架构（DNN/CNN/FCNN）的快速和内存效率的实现[69如今，几乎每其中γ;β是要学习的参数，Bx1：：x m 表示m训练数据集x的值y<$γbxβyk <$<$γkbxkβk;γk<$qffivffiffiaffiffirffi½ffixffiffikffiffi;βkE xkμ B<$1Pm1x i和σ2<$1Pm1<$x i-μ B<$2 代表平均值和变量，xi-μ框架集成了卷积，反卷积，最大池化，完全连接，dropout技术和批处理归一化，实现了许多流行的优化方法。由于缺乏强大的计算能力，本文提出了一种基于DNN的架构，使用Spark和MapReduce进行并行编程，以加速CT低剂量图像重建。在这项工作中，我们建立了一个集群，安斯 的 小批量 分别bxi¼pffiσffi2ffiffiBffiffiεffi是 正规化x�ðF*lkÞðpÞ ¼第1008章：一夜情（节省时间。在FCNN中，每一层都完全连接到前一层þC. Alla Takam等.医学信息学解锁19（2020）1003356参数B组一个主设备和两个从设备，以减少计算时间。后-全连接层;更新CNN参数的过程; 随机梯度下降（SGD）已被证明是训练深度网络的有效方法，并优化网络的参数Θ，以便最大限度地减少损失[63]：新的图像，可以做出诊断。此外，低剂量可用于维持患者健康和安全。基于我们的流水线方法，专家可以从捕获的图像中提供正确的诊断。正如参考文献[6]中所解释的那样，不仅SQL（NoSQL）技术现在是存储图像（共享或存储）的优秀数据库。云计算技术也可用于促进数据共享。基于FCNN的CT低剂量图像重建步骤，我们可以移动到图1的图像诊断步骤。 1.专家看到C. Alla Takam等.医学信息学解锁19（2020）1003357图四、基于FCN N 的低剂量CT图像重建Spark Map Reduce 流 水线 。图五、 图像处理流水线到建议的Spark架构。C. Alla Takam等.医学信息学解锁19（2020）1003358见图6。 清晰和嘈杂的CT图像。云计算适用于大数据生物信息学应用，因为它允许按需提供具有按需付费模型的资源，从而消除了购买和维护昂贵的本地计算基础设施以执行分析和数据处理的需要[75]。因此，在我们的管道中，我们可以使用NoSQL数据库存储和云计算共享。3.2. 提出了一种CT扫描图像去噪的FCNN方法FCNN的开发和训练仍然是研究的主题。在处理流水线中，我们使用DL进行低剂量CT图像重建。在下一节中，我们将使用最佳大数据框架（Spark）和MapReduce设计我们的最佳架构，以开发有效和适当的方法来处理低剂量CT扫描图像。在这在第一小节中，我们介绍了Spark架构来处理图1中描述的流水线的最前一步。该架构的主要目标是了解CT图像如何处理以进行重建。Spark基于MapReduce进行并行编程，并扩展了一个称为弹性分布式数据集（RDD）的数据共享抽象[76]。Apache Spark被定义为一个用于大规模数据处理和管理的快速通用引擎框架。Spark比以前处理大数据的方法（包括经典的MapReduce或Hadoop）更快，并且更快，因为它直接在内存（RAM）上运行，这使得处理速度比磁盘快得多[77]。Spark的通用部分意味着它可以用于多个任务，例如创建数据管道，运行分布式SQL，将数据导入数据库，运行ML算法，使用图形，数据流等等[77]。将DL架构集成为FCNN，C. Alla Takam等.医学信息学解锁19（2020）1003359见图7。 没有权重初始化的FCNN。Spark是一个更好的解决方案，可以改善，优化和减少训练时间，并最大限度地降低DL模型的错误率。Spark的DL有两个主要好处：大规模预测和超参数调整[78]。此外，Spark框架提供了易于使用的API，可以在Spark MLib库中的极少数代码行中启用DL。图4展示了我们的Spark架构和FCNN，用于低剂量CT图像优化。 在此图中，我们可以看到如何使用MapReduce编程和FCNN通过反向传播和正向传播训练输入图像。我们需要将图像划分为一组部分（具有重图像）。数字CT扫描图像通常太大，因此增加了处理的复杂性。为了克服这种复杂性，我们将图像分成许多图像片段，并独立处理每个片段。通过使用像MapReduce这样的并行编程方法，我们可以执行这些段的同时处理，从而与传统方法相比减少处理时间。 图4概述了FCNN如何将CT低剂量图像重建到Spark中。事实上，Spark架构允许我们开发有效和适当的技术来利用大量的图像。图5显示了Spark中图像处理的概述。在Spark框架上训练我们的FCNN模型涉及两个主要步骤（MapReduce编程），这些步骤迭代发生并重复，直到整体初始化误差充分最小化：映射步骤：输入数据（低剂量CT图像）分布在集群中的所有节点上，每个节点训练它接收的生物医学图像数据减少步骤：在这里，集群中每个节点的偏差和权重被平均在一起，每个节点用新的平均值更新自己网络这种场景或概念允许我们同时处理许多CT图像并优化处理时间。使用Spark框架，使用DL架构的儿科颅骨扫描的剂量优化过程是完整的、更容易的和更快的。4. 结果在本节中，所提出的架构基于图4，我们实现了我们的CT图像去噪算法。我们的目标是使用FCNN通过最小化方程（17）的函数来学习方程（1）。我们将考虑来自Kaggle [79]的图像作为我们的干净/地面实况图像：xi该数据集包含37名女性和45名男性患者的信息;因此，4615张CT图像共有82名患者。然而，由于计算能力的不足，我们减少了图像的数量。图6显示了我们从数据集中得到的一些有噪声和干净的图像中的每��C. Alla Takam等.医学信息学解锁19（2020）10033510见图8。 带权重初始化的FCNN。图9.第九条。 培训模式的结果。（a）训练损失（b）训练PSNR。C. Alla Takam等.医学信息学解锁19（2020）10033510�¼þ见图10。 噪声图像，并得到图像去噪从我们的模型。我们将通过添加高斯白噪声来生成噪声版本：其中yi是CT图像，其中每个PIXEL是具有标准偏差σ1/30的零均值高斯分布的独立实现。事实上，当我们减少剂量时，在CT扫描中，采集到的图像是有噪声的，这里我们把这些噪声看作是高斯分布的.由于CT图像具有不同的大小，我们将考虑大小为180180的随机裁剪。如参考文献中所述。[60，80]，训练过程中的权重初始化，见图11。 训练时间比较：非MapReduce和MapReduce。C. Alla Takam等.医学信息学解锁19（2020）10033511¼MSE2MNMSE1 X-X-模型非常重要。图图7和图8分别呈现了根据扩张矩阵的大小X D的不具有和具有权重初始化的图像的示例。在图7中，除了具有D 0的FCNN之外，网络的输出类似于输入。换句话说，它们的权重和梯度更新也是相同的，这意味着网络无法正确学习。在图8中，具有不同DC矩阵X的FCNN具有非零值的残差，因为我们通过初始化为激活的一半神经元来避免ReLu中的消失梯度输出现在与输入不同，权重和梯度更新也不同，使网络能够很好地学习。本节还介绍了根据历元数的训练损失和训练PSNRPSNR的定义见Ref.[12]第19话峰值信噪比（PSNR）：10log10-255分贝（19）哪里M 1 N11/4x1/2i;j2- y1/2i ;j3-y2/2 i（20）因此，作者不使用DL进行低剂量重建。它们仅用于图像去噪。如第2节所述，他们在文献中没有显示出对使用DL进行CT低剂量重建的Spark框架的依赖性。容易地调整我们提出的体系结构的能力对于修改或改进医疗保健中可用的处理系统是有用的。我们的管道基于NoSQL数据库，可以支持结构化和非结构化的生物医学图像格式，包括DICOM格式和其他常用的格式。我们的管道为我们提供了另一个使用云计算管理生物医学图像的方面。这项工作的实施是通过使用一个集群与一个节点。在一个具有多节点的集群和一个多节点集群中执行实现将是有趣的。这可以大大减少构建模型的训练时间，并且我们还可以增加改进模型质量的时间。6. 结论深度学习在临床研究中显示出了有希望的结果，因为它�1/4 j¼0允许显著 重建期间 剂量 还原CT扫描PSNR给出了失真的客观度量;较高的PSNR（大于30 dB）等于良好的图像质量[12，81]。 图图9a和图9b分别表示根据若干时期的训练损失和训练PSNR。我们注意到，在图9 a中，训练损失接近0.001;这显示了我们的训练模型的有效性，并且训练PSNR接近32 dB（图9a）。9.第九条。（b）。因此，我们的DL方法允许去噪的CT扫描图像具有良好的效果。这种功效可以在图10中看到，其中我们呈现了噪声和去噪图像。为了实现这项工作，我们使用一台装有Ubuntu操作系统Spark的计算机，并在我们用一个节点构建的一个集群中本地工作。我们将图像存储在MongoDB NoSQL中。 图 11显示训练时间。事实上，我们根据epoch的数量来表示MapReduce和非MapReduce的训练时间。我们注意到在这个图中，使用MapReduce的训练时间比使用非MapReduce的训练时间稍短。这可以解释，使用Map- Reduce与一个节点可以让计算机更强大地使用，但仍然不够。当簇和节点的数量增加时，训练时间大大减少由于我们的计算机能力有限5. 讨论计算机技术、GPU技术和自动成像平台的进步已经改变了生物医学图像研究领域。如今，新的管道、工作流和架构经常被提出来改进这一领域。提出了一种基于FCNN和Spark框架的CT低剂量图像重建流水线。我们的流水线的新颖之处在于，它提供了在每个设计阶段使用的最佳方法、技术和算法。通过使用MapReduce的特性，我们可以在我们提出的架构中执行并行处理。基于上一节的观察，我们提出的流水线和架构在生物医学成像中提供低剂量优化。它们可以在其他生物医学应用中进行定制和调整。为了了解我们提出的架构的效率，我们将其与文献中描述的另一种架构进行了比较。在参考文献[13]中，作者还提出了一种用于CT低剂量优化的FCNN架构。然而，它们的架构并不基于 在Spark框架上，无法同时处理多个图像。如参考文献[13]所述，我们提出了两个主要的训练步骤：前向传播，其中低质量图像通过网络传递，并通过计算一组卷积来获取输出。以及反向传播，其中计算损失函数相对于每个网络参数的导数，并且使用计算出的梯度来更新这些值以减少损失。[82]第82话作者的设计是基于一个即插即用的框架和一个DL AR，CT重建的方法和效果良好尽管同时保持有用的诊断。本文概述了低剂量CT优化领域的一些重要研究，并从DL的角度研究了低剂量CT重建问题。我们提出了一个使用FCNN到Spark框架中进行低剂量图像重建的管道。为了设计我们的管道，我们进行了文献综述，以确定最适合CT低剂量图像优化的方法。因此，我们能够为管道的每个阶段提供一种获得最佳架构的方法。为了概述我们提出的方法，我们设计了一个使用FCNN进行低剂量CT重建的Spark架构。所得到的结果表明，我们所提出的方法的有效性和效率。模型的去噪性能受训练数据的影响较大，这是一个普遍存在的问题区别性学习方法。在未来，我们将构建我们自己的数据集，以改善CT扫描图像去噪的处理，并在多节点集群中实现我们的算法。供资和利益冲突我们希望确认，本出版物没有已知的利益冲突，也没有可能影响其结果的重大财务支持伦理批准本文不包含任何作者对人类参与者和/或动物进行的确认作者非常感谢匿名评审的宝贵意见，这有助于提高论文的质量。 作者 要 感 谢 喀 麦 隆 雅 温 得 总 医 院 放 射 学 和 医 学 成 像 服 务 部 的www.inchtechs.co引用[1] [10] Jakarta P，Jakarta AB，et al.放射学中的机器学习：超越图像解释的应用。JAm Coll Radiol 2018;15：350https://doi.org/10.1016/j.jacr.2017.09.044.[2] KimJ， HongJ， Park H.深度学习在医学成像中的应用前景。Precision FutureMed 2018;2（2）：37-52。https://doi.org/10.23838/pfm.2018.00030网站。[3] 王伟，张明，陈国，贾加迪什HV，Ooi BC，Tan KL.数据库与深度学习：挑战与机遇SIGMOD Record2016;45（2）：17-22.[4] 游成，李刚，张勇，等. CT超分辨率GAN约束的恒等，残差和循环学习集成（GAN-CIRCLE）. IEEE Transact.医学影像2020;39（1）：188-220。asarXiv：1808.04256v3.C. Alla Takam等.医学信息学解锁19（2020）10033512þ þ þ þ þþþþ þ þþ þ þ þ þ þ þþ¼þ þ þþ[5] YooJ，Sabir S，Heo D，et al. Deep Learning Can Reverse Photon MigrationforDiffuse Optical Tomography. 2017. arXiv：1712.00912v1。[6] Tchagna Kouanou A，Tchiotsop D，Kengne R，Djoufack Tansaa Z，Ngo MoelasAA，Tchinda R.用于生物医学图像分析的最佳大数据工作流程。Elsevier InformatMed Unlocked 2018;11：68-74. https://doi.org/10.1016/j的网站。imu.2018.05.001网站。[7] ChmelikJ， Jakubicek R，Walek P.基于深度卷积神经网络的分割和分类，难以在3D CT数据中定义转移性脊柱病变。Elsevier Med Image Anal 2018;49：76-88.https://doi.org/10.1016/j的网站。media.2018.07.008网站。[8] 高晓文，惠荣，田志.基于深度学习网络的CT脑图像分类。生物医学2016年计算方法程序。https://doi.org/10.1016/j的网站。cmpb.2016.10.007网站。https://search.crossref.org/? q高XW%2C 辉 R%2C田Z %2C基于深度学习网络的CT脑图像分类%2C生物医学中的计算机方法和程序%282016%29.[9] Sandfort V，Choi Y，Symons R，Chen MY，Bluemke DA.冠状动脉CT血管造影一致冠状动脉管腔增强的优化测试团注造影剂注射方案。AcadRadiol 2019;27：371-80. https://doi.org/10.1016/j.acra.2019.05.003.[10] Schindler P，Kehl HG，Wildgrub