基于CT训练的全卷积神经网络增强胸部X光片中的肺结构
计算机视觉与模式识别
2018-10-16 v1 人工智能
图像与视频处理
摘要
胸部X光片中大量重叠的解剖结构会降低自动算法(CAD)及人类阅片者检测肺部病变的性能。本文提出一种基于深度学习的图像处理技术，利用全卷积神经网络(FCNN)增强胸部X光片中软组织肺结构的对比度。我们训练了两种2D FCNN架构来完成该任务：第一种执行2D肺分割，用于肺区归一化；第二种FCNN训练用于提取肺结构。为创建训练图像，我们采用了源自LIDC-IDRI数据集中516次扫描的模拟X射线或数字重建放射影像(DRR)。通过在CT域中首先对肺进行分割，我们能够创建一组2D肺掩膜数据集用于训练分割FCNN。为训练提取FCNN，我们生成仅属于3D肺分割的体素的DRR图像，称之为“肺X射线”，并将其用作目标图像。一旦提取出肺结构，便可通过融合原始输入X射线与合成的“肺X射线”来增强原始图像。我们展示了该增强技术可应用于真实X射线数据，并在最近发布的NIH Chest X-Ray-14数据集上展示了结果。当训练基于DenseNet-121的架构直接处理肺增强X射线图像时，我们看到了有前景的结果。
引用
@article{arxiv.1810.05989,
title = {Lung Structures Enhancement in Chest Radiographs via CT based FCNN Training},
author = {Ophir Gozes and Hayit Greenspan},
journal= {arXiv preprint arXiv:1810.05989},
year = {2018}
}