MIRACLE研究组关于X光胸片增强与疾病分类的论文被IEEE TMI接收

近期,实验室有一篇文章被IEEE TMI接收。IEEE TMI的全称是IEEE Transactions on Medical Imaging,是医学图像处理方向的顶级期刊,2019年SCI影响因子为7.816。

High-Resolution Chest X-ray Bone Suppression Using Unpaired CT Structural Priors (Han Li, Hu Han, Zeju Li, Lei Wang, Zhe Wu, Jingjing Lu, S. Kevin Zhou)

X光胸片因其成本低、易实时,是目前最常用的肺部和胸部影像检查方式之一。然而,由于X光胸片本身是骨骼、肺以及其它组织重叠在一起的2D影像,肋骨、锁骨等骨结构往往对肺部区域造成遮挡,从而严重影响了医生对肺部疾病诊断的准确性。目前,双能X光成像是一种可以获得无骨X光胸片的成像方式,但其辐射剂量相对大、成本也较高,目前的使用范围相对有限。如何充分发挥目前广泛存在的X光胸片在临床诊断中的作用成为一项重要的研究课题。本文提出了一种由粗到细的高分辩率X光胸片骨抑制模型,能利用非成对的3D CT影像中的结构化影像知识,实现对2D X光胸片中骨抑制,进而可以减少对肺部区域造成遮挡,提高医生对肺部疾病诊断的准确性(方法框图如图1所示)。

在低分辨率阶段,我们使用从CT中重建出来的数字重建影像(DRR)作为连接CT和X光胸片的桥梁。首先利用非成对CTs图像的3D空间知识,训练一个可以实现2D DRR图像分解的网络。再使用domain adaptation 的方式将X光胸片转移到DRR域上,从而可以利用上述分解网络获得的X光胸片骨分解模型。为了进一步减小X光胸片和DRRs之间的域差异,加快学习收敛速度,我们在高斯拉普拉斯域中执行了上述所有操作。

在高分辩率阶段,我们先对前一阶段得到骨分解结果进行高分辨率的上采样,在此基础上对原始高分辨率X光胸片中的骨区域进行裁剪和处理,得到高分辨率的骨分解结果。最后,从原始的高分辨率X光胸片中减去生成的骨图像,得到骨抑制结果。我们基于两个公开的X光胸片数据库进行了实验和临床评估,结果表明(i)该方法优于目前最先进的无监督X光胸片骨抑制方法;(ii)骨抑制的X光胸片有助于放射科医生的临床诊断,其肺部疾病的假阴性率从15%降低到8%;(iii)将原始X光胸片及其骨抑制图像为输入,训练的深度疾病分类网络,超越了仅使用原始X光胸片作用输入的分类网络。

 

2020/03/31