XVertNet:基于动态自调优引导与多阶段分析的椎体结构无监督对比增强
图像与视频处理
2025-09-03 v3 计算机视觉与模式识别
摘要
胸部 X 光仍是急诊医学中的主要诊断工具,但其捕捉精细解剖细节的能力有限,可能导致漏诊或延迟诊断。为此,我们提出 XVertNet,一种新颖的深度学习框架,旨在显著增强 X 光图像中椎体结构的可视化。我们的框架引入两项关键创新:(1) 一种无监督学习架构,消除了对人工标注训练数据的依赖——这是医学影像中长期的瓶颈;(2) 一种动态自调优内部引导机制,具备自适应反馈回路以实现实时图像优化。在四个主要公共数据集上的广泛验证表明,XVertNet 优于最先进的增强方法,熵分数、Tenengrad 准则值、局部相位相干锐度指数 (LPC-SI) 和色调映射图像质量指数 (TMQI) 的提升证明了这一点。此外,由两名获委员会认证的放射科医生进行的临床验证确认,增强后的图像能够更敏感地检测细微椎体骨折与退行性改变。XVertNet 的无监督特性使其无需额外训练开销即可立即投入临床部署。这一创新代表了急诊放射学的变革性进步,为在高压力临床环境中提升诊断准确性提供了可扩展且省时的解决方案。
引用
@article{arxiv.2306.03983,
title = {XVertNet: Unsupervised Contrast Enhancement of Vertebral Structures with Dynamic Self-Tuning Guidance and Multi-Stage Analysis},
author = {Ella Eidlin and Assaf Hoogi and Hila Rozen and Mohammad Badarne and Nathan S. Netanyahu},
journal= {arXiv preprint arXiv:2306.03983},
year = {2025}
}
备注
13 pages