[论文解读] Learning Bone Suppression from Dual Energy Chest X-rays using Adversarial Networks

Dong Yul Oh, Il Dong Yun|arXiv (Cornell University)|Nov 5, 2018

Medical Imaging Techniques and Applications参考文献 27被引用 14

一句话总结

该论文提出一种基于条件生成对抗网络（cGAN）并结合哈尔2D小波分解的深度生成模型，旨在从单能谱X射线图像中预测去骨后的胸部X射线图像，训练数据仅来自有限的双能谱X射线扫描。该方法通过结合对抗训练以提升图像锐度，以及基于小波的频域引导以实现更快、更精确的收敛，从而在去骨质量方面超越现有方法，达到最先进性能。

ABSTRACT

Suppressing bones on chest X-rays such as ribs and clavicle is often expected to improve pathologies classification. These bones can interfere with a broad range of diagnostic tasks on pulmonary disease except for musculoskeletal system. Current conventional method for acquisition of bone suppressed X-rays is dual energy imaging, which captures two radiographs at a very short interval with different energy levels; however, the patient is exposed to radiation twice and the artifacts arise due to heartbeats between two shots. In this paper, we introduce a deep generative model trained to predict bone suppressed images on single energy chest X-rays, analyzing a finite set of previously acquired dual energy chest X-rays. Since the relatively small amount of data is available, such approach relies on the methodology maximizing the data utilization. Here we integrate the following two approaches. First, we use a conditional generative adversarial network that complements the traditional regression method minimizing the pairwise image difference. Second, we use Haar 2D wavelet decomposition to offer a perceptual guideline in frequency details to allow the model to converge quickly and efficiently. As a result, we achieve state-of-the-art performance on bone suppression as compared to the existing approaches with dual energy chest X-rays.

研究动机与目标

• 为解决双能谱减影（DES）的临床局限性，包括辐射剂量加倍和心动周期引起的运动伪影。
• 开发一种深度学习模型，仅利用有限的先前获取的双能谱扫描数据，从单能谱胸部X射线预测去骨图像。
• 通过用对抗训练替代像素级损失最小化，提升去骨图像的质量，以更好地保留病灶细节。
• 通过引入哈尔2D小波分解作为频域感知引导，加速模型收敛并提升感知质量。
• 建立一种新颖、数据高效的深度生成框架用于去骨处理，其性能优于现有方法。

提出的方法

• 使用条件生成对抗网络（cGAN）学习从单能谱胸部X射线到去骨图像的映射，以对抗损失替代传统回归方法。
• 对输入图像进行哈尔2D小波分解，提供频域引导，帮助生成器学习高频骨骼结构并改善收敛性。
• 基于小波系数设计感知损失，引导生成器在抑制骨骼的同时保留精细解剖结构。
• 训练生成器以最小化对抗损失（欺骗判别器）以及在小波变换特征上的像素级重建损失（L1）。
• 使用判别器区分真实去骨图像（来自DES）与生成图像，以鼓励生成图像具备逼真的纹理和结构。
• 在生成图像与原始图像之间进行直方图匹配，以保持一致的灰度分布，确保视觉一致性。

实验结果

研究问题

• RQ1 在低数据环境下，对抗训练是否能相比标准像素级回归显著提升去骨质量？
• RQ2 将哈尔2D小波分解作为感知先验是否能增强去骨模型的收敛速度与保真度？
• RQ3 在有限双能谱X射线对数据上训练的深度生成模型，是否能良好泛化至单能谱输入并优于现有方法？
• RQ4 对抗训练与基于小波的引导相结合，对病灶特征保留与图像锐度有何影响？
• RQ5 与双能谱减影相比，该方法是否具备临床可行性，能有效减少伪影与辐射暴露？

主要发现

• 所提方法在去骨性能上达到最先进水平，在定量指标与视觉质量方面均优于现有方法。
• 消融实验证实，cGAN与哈尔小波分解的结合效果最佳，CNN + GAN + Haar配置（本文方法）显著优于仅CNN或仅GAN的变体。
• 仅使用对抗训练相比标准L1回归可提升图像锐度并减少模糊，但结合小波引导后性能进一步提升。
• 使用哈尔小波分解可缩短训练时间并提升收敛速度，尤其在与对抗损失结合时效果更显著。
• 模型成功抑制了肋骨与锁骨，同时保留了软组织结构与病灶特征，经与DES真实值的视觉与定量对比验证。
• 该方法通过单次采集即可生成去骨图像，有效缓解了双能谱成像中常见的运动伪影。