通过图像预处理增强胸部X射线图像中的语义细分:ps-KDE用于通过核密度估计的像素智能替代

科学领域:

• 医疗成像医学成像
• 深度学习 (Deep Learning) 是一种深度学习.
• 图像预处理 图像预处理

背景情况:

• 医学成像中的深度学习语义细分有助于疾病分类.
• 对比度有限的自适应直方体平衡 (CLAHE) 改善了细分,但有局限性.
• 对于各种医学成像数据集,需要改进对比度增强.

研究的目的:

• 介绍和评估ps-KDE,一种用于医疗图像对比度增强的新型预处理技术.
• 评估ps-KDE对基于深度学习的器官细分在胸部X射线中的影响.
• 为了比较ps-KDE与CLAHE在分割主要胸部器官中的性能.

主要方法:

• 开发了一种新的ps-KDE技术,使用正常化像素频率来增强图像对比度.
• 一个U-Net架构与一个ResNet34骨干被用于细分.
• 训练了五个模型,对心脏,左肺,右肺,左关节骨和右关节骨进行细分.

主要成果:

• 与CLAHE (0.717) 相比,ps-KDE模型在左肺细分方面获得了显著更高的Dice得分 (0.780),p<0.01.
• Ps-KDE 显示出更大的稳定性,而 CLAHE 模型在一些测试案例中显示出错误分类.
• ps-KDE算法是公开使用的.

结论:

• 对于特定的肺部区域细分,Ps-KDE比现有技术 (如CLAHE) 提供了更高的性能.
• 这种改进的细分可以使下游应用受益,例如疾病分类和风险分层.
• 这些发现表明ps-KDE是增强医学图像分析的宝贵工具.