X-ray2CTPA: Generating 3D CTPA scans from 2D X-ray conditioning

胸部X光或胸部放射线检查（CXR）通常用于医学诊断，与计算机断层扫描（CT）相比，其成像范围通常较小，CT提供更详细和准确的三维数据，特别是增强扫描，如CT肺动脉造影（CTPA）。然而，CT扫描需要更高的成本，更大的辐射暴露，并且比CXR不易获得。在这项工作中，我们探索了从2D低对比度分辨率X光输入到3D高对比度和空间分辨率CTPA扫描的跨模态转换。在生成AI的最新进展的推动下，我们介绍了一种新颖的基于扩散的方法来完成此任务。我们使用定量指标和放射科医师的定性反馈来评估模型的性能，确保生成图像的诊断相关性。此外，我们在分类框架中使用合成的3D图像，并显示在PE分类任务中，使用初始的CXR输入，AUC有所提高。所提出的方法是可推广的，并能够在医学影像中执行其他跨模态转换。它可能为更易于获得和经济实惠的先进诊断工具铺平道路。此项目的代码可用：https://github.com/NoaCahan/X-ray2CTPA。

本论文旨在探索从2D低对比度分辨率X射线图像转化为3D高对比度和空间分辨率CTPA扫描的跨模态转换方法，以解决CT扫描成本高、辐射暴露大、可用性低的问题。

本论文提出了一种基于扩散的新颖方法来进行跨模态转换，利用生成AI的最新进展，通过定量指标和放射科医生的定性反馈来评估模型性能，同时在PE分类任务中使用合成的3D图像来展示模型的有效性。

论文使用开源数据集，提供了代码，实验结果表明，所提出的方法可以有效地进行跨模态转换，具有潜在的应用前景。

最近的相关研究包括：1.《CycleGAN-based CT synthetic data augmentation for lung nodule classification on limited datasets》2.《Deep learning-based classification of lung cancer histopathology images using transfer learning》3.《A review of deep learning in medical imaging: Image traits, technology trends, case studies with progress highlights, and future promises》