基于合成数据训练 CNN 的胸片骨结构提取与增强
计算机视觉与模式识别
2020-03-25 v1 图像与视频处理
摘要
本文提出一种基于深度学习的图像处理技术，利用 U-Net 全卷积神经网络（FCNN）提取胸部 X 光片中的骨结构。U-Net 在完全监督设定下训练以完成该任务。为创建训练图像对，我们采用来自 LIDC-IDRI 数据集的 664 例 CT 扫描所生成的模拟 X 射线或数字重建放射影像（DRR）。通过在 CT 域中基于 HU 的骨结构分割，生成合成的二维“骨 X 射线”DRR 并用于训练网络。对于重建损失，我们采用两种损失函数——L1 损失与感知损失。一旦提取出骨结构，便可通过融合原始输入 X 射线与合成的“骨 X 射线”来增强原始图像。我们表明该增强技术适用于真实 X 射线数据，并在 NIH Chest X-Ray-14 数据集上展示了结果。
引用
@article{arxiv.2003.10839,
title = {Bone Structures Extraction and Enhancement in Chest Radiographs via CNN Trained on Synthetic Data},
author = {Ophir Gozes and Hayit Greenspan},
journal= {arXiv preprint arXiv:2003.10839},
year = {2020}
}
备注
arXiv admin note: substantial text overlap with arXiv:1810.05989