《Journal of Imaging Informatics in Medicine》：Deep Generative Translation of Standard Images into Virtual High-Energy Images for Facilitating Dual-Energy Chest Radiography
编辑推荐：
双能减影（DES）放射线摄影生成骨抑制（BS）和骨增强（BE）图像，增强软组织和骨骼的可视化；然而，它需要专门的双能成像系统。研究人员已建立了一个深度生成翻译模型，将高能（HE）图像转换为低能（LE）图像（HE2LE），从而实现虚拟DES。然而，临床标准（ST
双能减影（DES）放射线摄影生成骨抑制（BS）和骨增强（BE）图像，增强软组织和骨骼的可视化；然而，它需要专门的双能成像系统。研究人员已建立了一个深度生成翻译模型，将高能（HE）图像转换为低能（LE）图像（HE2LE），从而实现虚拟DES。然而，临床标准（STD）图像无法单独通过HE2LE翻译产生虚拟DES。因此，研究人员开发了一个基于U-Net的STD到HE翻译模型，在pix2pix框架中使用判别器，以生成虚拟HE图像并从STD图像计算虚拟DES。训练过程涉及一个包含600例胸部X线照片（STD、HE和LE）的数据集，并使用六折交叉验证方法执行了2000个epoch。与真实HE图像相比，由STD2HE模型生成的HE图像在定量评估中显示峰值信噪比（PSNR）为34.5，结构相似性指数（SSIM）为0.979，深度图像结构和纹理相似性（DISTS）为0.0257。将从虚拟HE输入获得的虚拟LE图像与通过使用相同模型处理相应真实HE图像获得的真实LE图像进行比较。这些LE图像显示PSNR为35.1，SSIM为0.963，DISTS为0.0455。虚拟DES图像在BS和BE图像上分别显示Fréchet初始距离（FID）为67.6和73.6，表明其分别具有较高的结构和感知保真度。将所提出的框架与先前的HE2LE模型集成，可以增强放射学分析中的诊断实用性，同时强调对专门双能成像硬件的需求。
**论文解读：基于深度生成翻译的标准图像虚拟高能图像生成以促进双能胸部X线摄影**
**研究背景与问题**
双能减影（Dual-Energy Subtraction, DES）放射线摄影通过分离骨和软组织信息，生成骨抑制（Bone-Suppressed, BS）和骨增强（Bone-Enhanced, BE）图像，显著提升肺部病变的可见性。然而，该技术依赖于专用双能成像系统，其硬件成本高且临床普及率有限。近年来，深度学习方法实现了虚拟DES，尤其是从高能（High-Energy, HE）图像合成低能（Low-Energy, LE）图像的HE2LE模型，有望降低辐射剂量并减少对专用硬件的依赖。然而，在真实临床场景中，HE图像作为原始探测器输出，通常不长期保存；相反，仅临床标准（Standard, STD）图像（经过对数变换、动态范围压缩、边缘增强等后处理）被归档至影像归档与通信系统（PACS）。HE2LE模型无法直接应用于STD图像，因为STD图像与HE图像的物理域（线性域 vs. 对数域）存在根本差异，且缺乏原始HE数据。因此，亟需一种能够将STD图像逆向映射回物理一致的HE域的模型，以解锁海量历史及常规临床图像的虚拟DES潜力。
**研究目的**
本研究旨在开发并验证一种新颖的STD到HE图像翻译模型（STD2HE），通过级联已有的HE2LE模型，构建完整的STD2HE2LE流水线，从而直接从常规STD胸部X线照片生成虚拟DES图像（包括HE、LE、BS和BE图像）。该研究试图解决虚拟DES在临床部署中因缺乏原始HE数据而受限的关键瓶颈。
**关键技术与方法**
研究人员提出了一种基于pix2pix条件生成对抗网络（cGAN）的STD2HE翻译框架。主要技术方法包括：
1. **生成器架构**：采用8层U-Net模型，以单通道STD图像为输入，输出HE域图像。生成器使用非饱和对抗目标，并应用批归一化（Batch Normalization）与梯度累积（Gradient Accumulation）以稳定训练。
2. **判别器架构**：接收STD输入及对应的HE图像（真实或生成），并整合阈值化Cut-Mix（Thresholded Cut-Mix）策略，通过混合真实与生成HE图像（基于像素强度百分位阈值）监督判别器关注诊断相关区域。判别器应用中可微数据增强（DiffAugment）、抗混叠池化（BlurPool）及谱归一化（Spectral Normalization）以提升生成质量。
3. **损失函数**：生成器损失由L1损失、感知损失（Perceptual Loss）和基于铰链的对抗损失（Hinge-based Adversarial Loss）加权求和（权重均为1.0）。判别器损失包括原始、生成和Cut-Mix三种对抗损失，并加入一致性正则化项（Consistency Regularization）以增强鲁棒性。
4. **数据与训练**：使用北里大学医院（Kitasato University Hospital）的600例双能胸部X线照片数据集（包含STD、HE、LE图像），图像重采样至1024×1024像素，采用六折交叉验证训练2000个epoch。
**研究结果**
**交叉验证指标（Cross-Validation Metrics）**
六折交叉验证显示，STD2HE模型生成的HE图像在均方误差（MSE）、峰值信噪比（PSNR）、结构相似性指数（SSIM）和深度图像结构与纹理相似性（DISTS）上表现稳定。单因素方差分析（ANOVA）显示仅PSNR在各折间存在显著差异（F=3.09, p=0.0092），其中第4折PSNR（36.5±6.17 dB）显著高于第2折（33.7±6.33 dB）。Fréchet初始距离（FID）比较显示第2折（12.3）与第4折（7.81）存在显著差异，但整体模型性能一致。
**定量评估（Quantitative Evaluation）**
通过六折交叉验证的600个非重叠测试病例，研究人员对比了级联STD2HE2LE流水线（生成LE、BS、BE图像）与基线HE2LE模型（使用真实HE图像作为上限）的性能。统计检验（配对t检验和Wilcoxon符号秩检验）显示，所有图像类型（LE、BS、BE）及所有指标（MSE、PSNR、SSIM、DISTS、FID）均存在显著差异（p<0.05）。级联流水线生成的LE图像PSNR（35.1）和SSIM（0.963）显著低于基线（HE2LE直接输出），而MSE、DISTS和FID显著升高，反映了级联过程中的误差传播效应。
**定性评估（Qualitative Evaluation）**
视觉检查显示，STD2HE2LE流水线生成的虚拟DES图像（BS和BE）在肺野、纵隔和骨结构表现上与真实DES图像定性相似，骨结构被有效抑制或增强，且无明显临床伪影或结构丢失。然而，在少数病例中观察到结构幻觉（hallucination）伪影，在LE图像中尤为明显，且级联流水线输出的幻觉比基线HE2LE模型更显著，表明误差传播可导致伪影放大。
**讨论与结论**
**讨论部分总结**
研究表明，STD图像可通过8层U-Net生成器在pix2pix框架下转换为HE域图像。批归一化与梯度累积策略提升了训练稳定性。级联STD2HE2LE流水线虽未达到基线HE2LE模型的定量性能，但视觉差异在大多数情况下不可察觉，且生成的DES图像保持了较高的视觉保真度和临床可行性。误差传播是级联架构的内在限制，但由于像素级偏差在视觉上不显著，该框架仍具有临床潜力，可提供双能等效诊断信息，无需专用硬件或额外辐射暴露。局限性包括：定量性能权衡、单中心单设备数据集（Kitasato数据集，600例，可能包含同一患者随访）、图像级指标可能无法反映小病灶（如钙化结节）的保留情况、下采样至1024×1024可能导致空间分辨率损失。未来工作将探索端到端训练（如直接STD2LE模型）或联合优化，并开展多中心外部验证及放射科医生读者研究。
**研究结论翻译**
研究人员开发了一种用于胸部X线摄影的虚拟DES成像流水线，基于深度学习的STD2HE翻译模型，该模型桥接了临床X线照片与DES兼容的HE/LE图像。通过将该方法与现有HE2LE网络结合，可以从常规临床采集图像生成HE、LE及DES图像（BS和BE）。该方法有望扩展传统胸部X线摄影中DES等效图像的可用性，作为支持临床诊断评估的补充工具。
