基于暗通道先验的病变区域增强法助力职业性尘肺病（OP）精准分期研究

《Journal of Imaging Informatics in Medicine》：Highly Accurate Occupational Pneumoconiosis Staging via Dark Channel Prior-Inspired Lesion Area Enhancement

为解决 OP 分期依赖 opacity 难以精准分类问题，研究人员开展基于 DCP-LAE 的 OP 分期研究，模型准确率达 83.8%，超现有模型。

　　职业性尘肺病（Occupational pneumoconiosis，OP）分期是 OP 诊断的核心环节，本质上是通过分析患者胸部 X 光片对其肺部状况进行图像分类的任务。为实现人工智能辅助 OP 分期，通常采用胸部 X 光片表征学习和分类方法，卷积神经网络（Convolutional Neural Network，CNN）在其中表现出了高效性。然而，与常见图像分类任务不同，OP 分期高度依赖肺部阴影（opacity）的密集程度，即 OP 病变在 X 光片上的反映。OP 病变与胸部其他组织相互重叠，使得标准 CNN 难以准确表征这些阴影，进而导致分期结果不准确。受 OP 病变与雾霾相似性的启发（二者在空间中看起来都像灰尘），本研究提出了一种基于暗通道先验启发的病变区域增强（Dark Channel Prior-inspired Lesion Area Enhancement，DCP-LAE）的高精度 OP 分期方法。该方法有两个核心思路：一是受基于暗通道先验的去雾方法启发，采用 OPX 光片恢复方法增强 OP 病变区域；二是通过双分支网络结构实现多特征融合，以获得较高的分期准确率。从医院收集的真实 OP 病例实验结果表明，基于 DCP-LAE 的 OP 分期模型准确率达到 83.8%，超越了现有的前沿模型。