基于Diffusion Mamba模型的髋关节图像质量筛查

《Scientific Data》：Hip joint image quality screening based on the Diffusion Mamba model

　　

摘要

高质量标注数据集的稀缺性阻碍了用于髋关节病理诊断的可靠人工智能技术的发展。为了解决这一问题，我们推出了Hip-35数据集，这是一个包含35,000张经过精心处理的2D髋关节X光图像的综合性数据集，涵盖了35种病理类型以及76份由专家标注的临床影像资料。我们的关键创新之处在于采用了三阶段的质量控制框架，以确保图像的解剖学准确性和临床相关性：(1) 通过RGB通道差异阈值处理结合边缘掩蔽来检测色彩伪影，有效减少了图像污染；(2) 利用曼哈顿距离、余弦相似度和SSIM算法进行多指标去模糊处理；(3) 通过基于U-Net的感兴趣区域（ROI）特征和时间戳检查来实现解剖结构的去重处理。借助Diffusion Mamba（DiM）算法的效率，我们通过这一质量控制流程生成并优化了合成图像，在放射科医生的盲法评估中，这些合成图像的接受率达到了92%。最终的数据集涵盖了多种关键的临床情况，如股骨颈骨折、髋臼畸形以及术后病例。通过公开发布该数据集和我们的开源质量控制工具包，这项工作为医学图像增强领域树立了新的基准，为罕见骨科疾病的AI诊断技术开发提供了可复现的方法。