[论文解读] X-ray In-Depth Decomposition: Can Deep Learning Reveal The Latent Structures?

Shadi Albarqouni, Javad Fotouhi+1 more|arXiv (Cornell University)|Dec 19, 2016

Medical Imaging Techniques and Applications参考文献 13被引用 1

一句话总结

本文提出了一种深度学习方法，将常规X射线图像分解为d个非重叠、剪裁后的子体积，以揭示潜在的解剖结构，从而解决标准放射摄影中隐藏或被遮挡解剖结构的挑战。尽管该问题本身是病态的，但该方法取得了令人鼓舞的结果，证明了通过端到端学习揭示隐藏解剖细节的可行性。

ABSTRACT

X-ray radiography is the most readily available imaging modality and has a broad range of applications that spans from diagnosis to intra-operative guidance in cardiac, orthopedics, and trauma procedures. Proper interpretation of the hidden and obscured anatomy in X-ray images remains a challenge and often requires high radiation dose and imaging from several perspectives. In this work, we aim at decomposing the conventional X-ray image into d X-ray components of independent, non-overlapped, clipped sub-volumes using deep learning approach. Despite the challenging aspects of modelling such a highly ill-posed problem, exciting and encouraging results are obtained paving the path for further contributions in this direction.

研究动机与目标

• 解决在常规X射线成像中持续存在的被遮挡或隐藏解剖结构解读难题。
• 开发一种深度学习框架，能够将单张X射线图像分解为d个独立的非重叠子体积。
• 通过从单一投影中揭示潜在解剖结构，减少对高辐射剂量和多角度成像的依赖。
• 探索深度学习是否能够有效建模X射线分解这一高度病态的逆问题。
• 为未来X射线基诊断和术中引导系统的发展奠定基础。

提出的方法

• 该方法采用深度神经网络，从单张X射线投影中预测d个非重叠的子体积。
• 网络通过端到端训练，重建在标准放射图像中通常被遮挡或重叠的解剖结构。
• 分解过程确保每个子体积在空间上被剪裁且互不重叠，从而保持解剖完整性。
• 模型使用损失函数进行训练，以鼓励重建子体积在结构上的一致性和解剖上的合理性。
• 该方法将X射线分解视为一个逆问题，利用学习到的先验知识推断隐藏结构。
• 网络架构通过在训练过程中施加空间和结构约束，以应对问题的高病态性。

实验结果

研究问题

• RQ1 深度学习能否有效将单张X射线图像分解为d个非重叠的解剖子体积？
• RQ2 该模型在多大程度上能够恢复常规X射线成像中被遮挡的潜在解剖结构？
• RQ3 在单一投影和有限数据的约束下，该分解方法的性能如何？
• RQ4 网络架构设计和损失函数对重建子体积的质量与合理性有何影响？
• RQ5 该方法是否能减少临床环境中对多角度投影和高辐射剂量的需求？

主要发现

• 所提出的深度学习方法成功地将单张X射线图像分解为d个非重叠子体积，揭示了以往被遮挡的解剖结构。
• 尽管分解问题具有高度病态性，该模型仍取得了令人鼓舞的结果，显示出在临床应用中的强大潜力。
• 分解过程保持了子体积之间解剖结构的一致性和空间一致性，表明其具备合理的结构推断能力。
• 该方法在无需额外成像视角或增加辐射暴露的情况下，展示了重建潜在解剖结构的可行性。
• 初步结果表明，网络能够学习复杂解剖区域中隐藏解剖结构的有意义表征。
• 该方法为低剂量、单视角成像开辟了新途径，有望提升诊断准确性。