用于超声冠状位图像增强的形态一致性扩散网络
图像与视频处理
2024-09-26 v1
摘要
超声脊柱弯曲角 (UCA) 测量基于超声成像,为脊柱侧弯提供了一种无辐射且可靠的评估方法。然而,图像质量退化(尤其是在难以成像的患者中)会阻碍临床专家进行可靠的测量,甚至导致误诊。在本文中,我们提出了一种多阶段图像增强框架,通过基于扩散的模型对高质量图像分布进行建模。具体而言,我们整合了来自 3D 体积不同深度图像的潜在形态信息,以校准逆向过程,从而生成高质量、高保真度的图像。这是通过带有可学习调谐器模块的融合操作实现的,该模块学习从多深度到高质量图像的多对一映射。此外,高质量图像分布与脊柱特征的分离学习保证了在生成的图像中保持一致的脊柱姿态描述,这对于评估脊柱畸形至关重要。值得注意的是,我们提出的增强算法在超声图像的图像质量方面显著优于其他基于增强的方法。最终,我们在增强图像上进行了 UCA 的评估者内和评估者间测量,并获得了更高的 ICC (胸椎角和腰椎角分别为 0.91 和 0.89),表明我们的方法有助于超声弯曲角的测量,并为自动化脊柱侧弯诊断提供了广阔的前景。
引用
@article{arxiv.2409.16661,
title = {Morphological-consistent Diffusion Network for Ultrasound Coronal Image Enhancement},
author = {Yihao Zhou and Zixun Huang and Timothy Tin-Yan Lee and Chonglin Wu and Kelly Ka-Lee Lai and De Yang and Alec Lik-hang Hung and Jack Chun-Yiu Cheng and Tsz-Ping Lam and Yong-ping Zheng},
journal= {arXiv preprint arXiv:2409.16661},
year = {2024}
}