Rapid Bone Scintigraphy Enhancement via Semantic Prior Distillation from Segment Anything Model

要約

急速な骨シンチグラフィは、骨格障害の診断と子供の腫瘍転移を検出するために重要です。スキャン期間を短縮し、不快感を軽減するためです。
しかし、加速した獲得はしばしば画質を低下させ、細かい解剖学的詳細の可視性を損ない、潜在的に診断を妥協する可能性があります。
この制限を克服するために、医療画像修復のためのSAMベースのセマンティックプライアーの最初のアプリケーションを導入します。
私たちのアプローチでは、2つのカスケードネットワーク、$ f^{ir1} $と$ f^{ir2} $を採用しています。これは、3つの専門モジュールでサポートされています。セマンティック事前統合（SPI）モジュール、セマンティックナレッジ蒸留（SKD）モジュール、およびセマンティックコンシステンシーモジュール（SCM）です。
SPIおよびSKDモジュールは、微調整されたSAMからドメイン固有のセマンティックキューを注入しますが、SCMは両方のカスケード段階でコヒーレントセマンティック特徴表現を保持します。
さらに、0.5〜16歳の137人の小児患者からのペア標準（20 cm/min）および迅速な（40 cm/min）スキャンを含む新しい急速な骨シンチグラフィーデータセットであるRBSを紹介します。
公共内視鏡データセットとRBSデータセットの両方での広範な実験は、私たちの方法がPSNR、SSIM、FID、およびLPIPSメトリックの既存の手法を常に上回っていることを示しています。

要約(オリジナル)

Rapid bone scintigraphy is crucial for diagnosing skeletal disorders and detecting tumor metastases in children, as it shortens scan duration and reduces discomfort. However, accelerated acquisition often degrades image quality, impairing the visibility of fine anatomical details and potentially compromising diagnosis. To overcome this limitation, we introduce the first application of SAM-based semantic priors for medical image restoration, utilizing the Segment Anything Model (SAM) to enhance pediatric rapid bone scintigraphy. Our approach employs two cascaded networks, $f^{IR1}$ and $f^{IR2}$, supported by three specialized modules: a Semantic Prior Integration (SPI) module, a Semantic Knowledge Distillation (SKD) module, and a Semantic Consistency Module (SCM). The SPI and SKD modules inject domain-specific semantic cues from a fine-tuned SAM, while the SCM preserves coherent semantic feature representations across both cascaded stages. Moreover, we present RBS, a novel Rapid Bone Scintigraphy dataset comprising paired standard (20 cm/min) and rapid (40 cm/min) scans from 137 pediatric patients aged 0.5 – 16 years, making it the first dataset tailored for pediatric rapid bone scintigraphy restoration. Extensive experiments on both a public endoscopic dataset and our RBS dataset demonstrate that our method consistently surpasses existing techniques in PSNR, SSIM, FID, and LPIPS metrics.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google