深度学习错位的双能量胸部X射线图像使用配对循环一致的生成对抗网络
Yasuyuki Ueda1, Misato Niu2, Riko Shimazaki2
1Division of Health Sciences, Graduate School of Medicine, The University of Osaka, 1 - 7 Yamadaoka, Suita, Osaka, 565 - 0871, Japan. ueda.y.sahs.med@osaka-u.ac.jp.
Journal of imaging informatics in medicine
|May 5, 2025
概括
这项研究引入了一种新的AI框架,通过删除运动工件和噪音来增强双能量减去胸部X射线图像. 这种新方法显著提高了图像质量,使得医疗诊断更加清晰.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 图像处理 图像处理
背景情况:
- 双能量减去 (DES) 胸部X射线图像 (CXRs) 容易出现动作物体,并且在低能量 (LE) 图像中信号不足.
- 现有的图像处理技术很难在DES-CXR中充分解决这些工件和噪声.
- 在DES-CXR中去除文物和噪声的新算法仍然在很大程度上未被探索.
研究的目的:
- 提出和评估一种新的框架,有效地去除DES-CXRs中的运动文物和统计噪声.
- 通过使用先进的生成对抗网络,提高DES-CXR的诊断质量.
主要方法:
- 开发了一个基于对联循环一致性对抗生成网络的框架.
- 该方法包含集体区分器,可微分增强,反别名卷积层和8层U-Net发电机.
- 该框架在600个DES-CXR的临床数据集上使用六倍交叉验证进行了训练和验证.
主要成果:
- 在运动工件抑制方面显著改善,在肺部区域最大的10%增强了全宽度.
- 在LE图像的峰值信号噪声比率 (50.7 ± 3.68) 和结构相似度指数 (0.997 ± 0.0152) 中,超越了以前的方法.
- 对于骨压抑的DES图像,实现了具有竞争力的Fréchet起始距离 (85.0±3.52),表明了高质量的图像生成.
结论:
- 拟议的AI框架显著优于DES-CXR中现有的运动工件和统计噪声去除技术.
- 该方法具有很强的临床应用潜力,提高了胸部X射线成像的可靠性和诊断准确性.


