Mejora para la imagen de Rayos X mediante el uso de Deep Learning

Abstract

La imagen de rayos X es una herramienta clave para el diagnóstico. Sin embargo, a pesar de su valor clínico, ofrece un contraste en tejido blando pobre así como una alta dosis de radiación. Es por ello que mejorar el contraste y tratar de llegar a una dosis mínima con una calidad de imagen compatible con el diagnóstico es necesario. Los métodos de realce convencionales para imagen radiológica se basan en la concatenación de soluciones para cada uno de estos dos problemas (contraste y ruido), proporcionando buenos resultados pero con un alto coste computacional que dificulta el procesamiento en tiempo real, necesario en radiografía clínica. En este trabajo se propone un método que integre la mejora de contraste y la reducción de ruido para imágenes radiológicas mediante aprendizaje profundo que permita eliminar 5 la necesidad de encontrar los parámetros adecuados para los distintos estudios y tener la imagen en un tiempo de ejecución por debajo del segundo. Para ello se realiza un estudio bibliográfico de los métodos nuevos basados en aprendizaje profundo para mejora del ruido y contraste seleccionando la arquitectura UNet con distintas funciones de coste y distintas arquitecturas de codificador de redes neuronales convolucionales. Tras evaluación visual de los resultados se establece que las mejores funciones de coste son el índice de similitud estructural multiescala y el índice de similitud estructural multiescala combinado con el error absoluto medio. Entre las arquitecturas probadas para el codificador, las que proporcionan mejores resultados son ResNet34 y EfficientNetB3. Por lo tanto, se ha propuesto un nuevo método basado en aprendizaje profundo que permite mejorar el contraste y reducir el ruido de imágenes de radiología animal en menos de 1s.

X-ray imaging is an important diagnostic tool. However, despite its clinical value, it offers poor soft tissue contrast as well as a high radiation dose. That is why improving the contrast and trying to reach a minimum dose with an image quality compatible with the diagnosis is necessary. Conventional enhancement methods for radiological imaging are based on the concatenation of solutions for each of these two problems (contrast and noise), providing good results but with a high computational cost that makes real-time processing, necessary in clinical radiography, difficult. In this work, we proposed a method that integrates contrast enhancement and noise reduction for radiological images through deep learning, eliminating the need to find the appropriate parameters for the different studies and having the processed image in less than a second. 6 A bibliographic study of new methods based on deep learning for noise and contrast improvement was made, selecting the UNet architecture with different cost functions and different convolutional neural network encoder architectures. After visual evaluation of the results, it is established that the best cost functions are the multiscale structural similarity index and the multiscale structural similarity index combined with the mean absolute error. Among the tested architectures for the encoder, those that provide the best results are ResNet34 and EfficientNetB3. Therefore, a new method based on deep learning has been proposed that allows to improve the contrast and reduce the noise of animal radiology images in less than 1s.

La imatge de raigs X és una eina clau per al diagnòstic. No obstant això, malgrat el seu valor clínic, ofereix un contrast en teixit tou pobra així com una alta dosi de radiació. És per això que millorar el contrast i tractar d'arribar a una dosi mínima amb una qualitat d'imatge compatible amb el diagnòstic és necessari. Els mètodes de realç convencionals per imatge radiològica es basen en la concatenació de solucions per a cada un d'aquests dos problemes (contrast i soroll), proporcionant bons resultats però amb un alt cost computacional que dificulta el processament en temps real, necessari en radiografia clínica. En aquest treball es proposa un mètode que integri la millora de contrast i la reducció de soroll per a imatges radiològiques mitjançant aprenentatge profund que permeti eliminar maig la necessitat de trobar els paràmetres adequats per als diferents estudis i tenir la imatge en un temps d'execució per sota de el segon. Per a això es realitza un estudi bibliogràfic dels mètodes nous basats en aprenentatge profund per a millora de l'soroll i contrast seleccionant l'arquitectura UNET amb diferents funcions de cost i diferents arquitectures de codificador de xarxes neuronals convolucionals. Després avaluació visual dels resultats s'estableix que les millors funcions de cost són l'índex de similitud estructural multiescala i l'índex de similitud estructural multiescala combinat amb l'error absolut mitjà. Entre les arquitectures provades per al codificador, les que proporcionen millors resultats són ResNet34 i EfficientNetB3. Per tant, s'ha proposat un nou mètode basat en aprenentatge profund que permet millorar el contrast i reduir el soroll d'imatges de radiologia animal en menys de 1s.