Quality Enhancement of Radiographic X-ray Images by Interpretable Mapping

要約

X 線イメージングは​​、最も広く使用されている医療用イメージング モダリティです。
しかし、一般的な診療では、X 線画像の最初の表示における不一致が放射線科医からの一般的な苦情です。
患者の体位、患者の習慣、スキャンプロトコルが異なると、全体的または地域的な明るさやコントラストの違いなど、画像表示の違いが生じる可能性があります。
これを補うために、臨床専門家が画像を望ましい表示に調整するための追加作業を実行しますが、これには時間がかかる場合があります。
既存の深層学習ベースのエンドツーエンド ソリューションは、有望なパフォーマンスで画像を自動的に修正できます。
それにもかかわらず、これらの方法は臨床専門家にとって解釈が難しく、理解するのが困難です。
この原稿では、画像の明るさとコントラストをグローバルおよびローカルに自動的に強化する、深層学習による新しい解釈可能なマッピング方法を提案します。
一方、このモデルは明るさとコントラストの操作のワークフローからインスピレーションを得ているため、画像強調の動機を説明するための解釈可能なピクセル マップを提供できます。
臨床データセットの実験では、提案された方法が 24.75 dB PSNR および 0.8431 SSIM の精度で X 線画像に一貫した明るさとコントラストの補正を提供できることが示されています。

要約(オリジナル)

X-ray imaging is the most widely used medical imaging modality. However, in the common practice, inconsistency in the initial presentation of X-ray images is a common complaint by radiologists. Different patient positions, patient habitus and scanning protocols can lead to differences in image presentations, e.g., differences in brightness and contrast globally or regionally. To compensate for this, additional work will be executed by clinical experts to adjust the images to the desired presentation, which can be time-consuming. Existing deep-learning-based end-to-end solutions can automatically correct images with promising performances. Nevertheless, these methods are hard to be interpreted and difficult to be understood by clinical experts. In this manuscript, a novel interpretable mapping method by deep learning is proposed, which automatically enhances the image brightness and contrast globally and locally. Meanwhile, because the model is inspired by the workflow of the brightness and contrast manipulation, it can provide interpretable pixel maps for explaining the motivation of image enhancement. The experiment on the clinical datasets show the proposed method can provide consistent brightness and contrast correction on X-ray images with accuracy of 24.75 dB PSNR and 0.8431 SSIM.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google