基于半监督网络的组织感知CT图像对比度的增强方法

目的 提出一种组织感知的对比度增强网络(T-ACEnet)对CT图像进行增强显示,并验证该结果对于现有器官分割任务的精度提升.方法 原始CT图像通过映射生成具有肺窗、软组织窗对比度的低动态灰阶图像,监督子网络通过肺部掩膜学习感知肺部、腹腔软组织的最佳窗宽窗位设置.自监督子网络通过极值抑制损失函数保持器官边缘结构信息.增强网络生成的图像被用作分割网络的输入,进行腹部多器官的分割.结果 T-ACEnet所生成的图像可以在一幅图像中包含更多窗口设置信息,便于医生进行病灶的初步筛查.且T-ACE图像在SSIM、QABF、VIFF、PSNR指标上相较于次优方法分别提升了0.51、0.26、0.10和14.14,MSE则降低了一个数量级.同时,T-ACE图像作为分割网络输入时,相较于原始CT图像,在不改变模型的情况下可以有效提高器官分割精度,5个分割定量指标均得到了提升,最大一项可提高4.16%.结论 本研究所提出的T-ACEnet可以感知性地增强器官组织对比度,提供更全面、更连续的诊断信息,同时所生成的图像可以显著提高器官分割任务的表现.