用超分辨率卷积神经网络减少胸部X射线图的64倍数据

科学领域:

• 医疗成像医学成像
• 放射学中的人工智能
• 图像重建算法 图像重建算法

背景情况:

• 减少医学成像中的数据对于有效的存储和传输至关重要.
• 传统的数据缩小方法可能会损害图像质量和诊断准确性.
• 超分辨率 (SR) 技术为增强低分辨率医疗图像提供了一个潜在的解决方案.

研究的目的:

• 开发和验证超分辨率 (SR) 算法,从64倍减少的数据生成临床上可行的胸部X射线图.
• 与原始和线性互插图像相比,评估SR重建放射图的图像质量和诊断性能.

主要方法:

• 一个卷积神经网络在127,030个图像补丁上被训练为超分辨率.
• 用于验证的是112张有各种异常 (肺胸部,结节,结合,GGO) 的胸部X射线图.
• 重建的图像 (SR和线性插值) 使用平均平方误差 (MSE) 和噪声量化与原始图像进行比较. 放射科医生评估图像质量和异常检测.

主要成果:

• 通过SR重建的图像显示出与原始图像的相似性比线性插值更高 (MSE: 9269 ± 1015 与 9429 ± 1057 相比; P = .02).
• 与原始和LI图像相比,SR图像显示测量噪声较低,并且被放射科医生对噪声水平评价更好 (Ps < .01).
• 在SR和原始图像之间,放射科医生检测肺胸,结节,巩固和GGO的灵敏度没有显著差异.

结论:

• 来自64倍减少数据的胸部X射线图的超分辨率重建导致噪声水平降低.
• 该SR方法实现了与原始图像相等的诊断灵敏度,用于检测主要胸部异常.
• 这项研究是首次应用超分辨率来减少胸部X射线图中的数据.