利用多尺度条件对抗网络从标准单次拍摄放射图像生成虚拟双能图像
计算机视觉与模式识别
2021-04-15 v2
摘要
双能（DE）胸部放射图像通过将图像分离为骨骼和软组织，提供比标准放射图像更多的诊断信息，揭示可能被遮挡的可疑病灶。然而，DE 图像的采集需要两次物理扫描，需要专门的硬件和处理，且图像容易出现运动伪影。从标准单次拍摄胸部放射图像生成虚拟 DE 图像将扩展标准放射图像的诊断价值而无需改变采集流程。我们提出一种多尺度条件对抗网络（MCA-Net），可从标准单次拍摄胸部放射图像生成高分辨率虚拟 DE 骨骼图像。我们提出的 MCA-Net 使用对抗网络进行训练，从而学习锐利细节以生成高质量骨骼图像。然后，通过使用交叉投影变换将标准放射图像与虚拟骨骼图像处理，生成虚拟 DE 软组织图像。来自 210 例患者的 DE 胸部放射图像的试验结果表明，该算法能够生成高质量虚拟 DE 胸部放射图像。重要结构得以保留，例如骨骼图像中的冠状动脉钙化和软组织图像中的肺部病灶。生成的骨骼图像在测试数据中的平均结构相似度指数和峰值信噪比分别为 96.4 和 41.5，显著优于先前方法的结果。此外，我们在公开可用数据集上进行的临床评估结果表明了算法的临床价值。因此，我们的算法能够生成高质量 DE 图像，对放射科医生、计算机辅助诊断及其他诊断任务具有潜在用途。
引用
@article{arxiv.1810.09354,
title = {Generation of Virtual Dual Energy Images from Standard Single-Shot Radiographs using Multi-scale and Conditional Adversarial Network},
author = {Bo Zhou and Xunyu Lin and Brendan Eck and Jun Hou and David L. Wilson},
journal= {arXiv preprint arXiv:1810.09354},
year = {2021}
}
备注
16 pages, 7 figures, accepted by Asian Conference on Computer Vision (2018 ACCV), code available at https://github.com/bbbbbbzhou/Virtual-Dual-Energy