Improving CXR Bone Suppression by Exploiting Domain-Level and Instance-Level Information

Ling Yang

doi:10.1109/TMI.2025.3564894

Improving CXR Bone Suppression by Exploiting Domain-Level and Instance-Level Information

2025-04-28

0

PRE

AI

DOI：10.1109/TMI.2025.3564894

原文链接

原文求助

摘要

En 中文

对于胸部X光图像（CXR）分析，有效的骨骼结构抑制对于揭示肺部异常和促进准确临床诊断至关重要。尽管最近的深度生成模型在一定程度上提高了骨骼抑制CXR的重建质量，但它们在下游诊断任务中往往难以实现实质性的改进。这一局限性归因于对实例特定细节的狭隘关注，忽视了更广泛的领域级知识，从而阻碍了骨骼抑制的有效性。为应对这些挑战，我们提出的框架采用了一种新颖的方法，整合了实例级和领域级信息。为捕捉实例信息，我们的模型采用混合方法，使用交叉协方差注意力块（CABs）来强调相关图像信息，并随后采用Vision Transformers（ViTs）编码器进行图像特征嵌入。为捕捉领域信息，我们引入了多头代码本注意力（MCA），该机制利用代码本结构与多头注意力机制来捕获与骨骼抑制CXR领域相关的全局、领域级信息，从而优化合成过程。在优化过程中，我们的两阶段训练方案包括MCA学习阶段，通过ViT基础的GAN模型将骨骼抑制CXR的领域知识嵌入到MCA中；以及合成阶段，利用学得的代码本从原始CXR生成骨骼抑制CXR，通过领域洞察增强实例合成，同时CABs的整合进一步细化了像素级实例信息。大量实验表明，我们方法性能优越，在骨骼抑制方面PSNR提升8.36%、SSIM提升2.7%，同时在两个数据集上提升了肺病分类2.8%和4.2%，并提升了分割性能1.5%。

Keyword:

Bone suppression

chest X-ray

pneumonia

transformers

generative model

soft quantization

Improving CXR Bone Suppression by Exploiting Domain-Level and Instance-Level Information

摘要

期刊

机构

引用论文