利用组织衰减以及局部和全局融合技术对胸部X光图像进行自适应增强

《BMC Bioinformatics》：Adaptive enhancement of chest X-ray images using tissue attenuation and local and global fusion

　　

摘要

胸部X光图像通常存在对比度低、噪声以及局部细节丢失的问题，这些问题会妨碍骨骼和软组织的准确识别，并影响后续的自动化诊断和临床解读。为了解决这些挑战，最近的研究方法既采用了传统的对比度增强技术，也探索了基于深度学习的策略。然而，大多数现有方法仅关注单一的退化因素（如对比度增强），而没有明确考虑区域特定的可见性或结构感知增强。在这项工作中，我们提出了一种针对胸部X光图像的自适应增强方法。我们的框架整合了组织衰减可见性增强、基于线性变换的对比度调整以及感知融合模块，以突出解剖结构特征、局部细节和整体亮度。该设计旨在抑制软组织干扰，提高骨骼的可见性，并改善关键解剖成分的可视化效果，同时在不同曝光区域的图像质量保持一致。重要的是，我们的方法无需大量训练且具有可解释性。在基准数据集上的实验表明，该方法能够提升图像的对比度、清晰度以及解剖结构的可见性，其效果优于12种现有的传统和基于深度学习的增强方法。