基于可解释映射的 X 射线图像质量增强

X 射线成像是最广泛使用的医学成像模态。然而，在常见实践中，X 射线图像初始呈现方式的不一致性是放射科医师常提的抱怨。不同的患者位置、患者体形和扫描协议可能导致图像呈现方式的差异，例如在全局或局部上关于亮度和对比度的差异。为此需要临床专家执行额外的工作来调整图像以满足所需的呈现方式，这会耗时。现有的基于深度学习的端到端解决方案可以自动以优异的性能校正图像。然而，这些方法难以解释且难以被临床专家理解。在本稿中，提出了一种 novel 可解释映射方法，通过深度学习实现自动化的图像亮度和对比度的全局和局部增强。同时，由于该模型受到亮度和对比度操作工作流程的启发，可以为解释图像增强的动机提供可解释的像素图。在临床数据集上的实验表明，所提出的方法可在 X 射线图像上实现 24.75 dB PSNR 和 0.8431 SSIM 的一致亮度和对比度校正。