通过基于配准的自动无配对到伪配对训练数据转换增强生成网络以定位胸部异常

为什么及早发现肺部问题很重要

胸部X线是观察胸腔内部最快且最便宜的方法之一，全球每天拍摄数以百万计。然而，病灶若很小或很淡，即使对专家也可能难以察觉，特别是当它们与肋骨、心脏或其他正常结构混杂时。本研究探讨人工智能（AI）如何在不依赖放射科医师逐像素细致标注的情况下，更可靠地突出胸片上的可疑区域。这一方法对于专家时间有限、患者量大的医院和门诊尤其具有吸引力。

现有胸片AI的潜力与问题

许多现有的胸片AI系统擅长回答类似“是否有肺炎？”的二元问题，但在精确指出疾病位于何处方面能力较弱。一类流行的方法称为生成对抗网络（GAN），它学习将有病变的图像转换为看起来正常的版本。通过对比两者并做差，算法可以揭示可疑区域。这一思路的吸引力在于训练时不需要对每个病灶进行详细标注。然而，训练数据通常由来自不同患者的独立正常与异常图像构成。由于体型、姿势和肺部形态差异很大，AI难以判断图像间的差异是由疾病引起还是仅仅是解剖变异。结果可能是性能不稳定和出现奇怪的伪影，例如肋骨或正常组织被扭曲或抹去。

从无配对图像生成虚拟配对

作者通过先将X线图像强制进行更接近的解剖对齐，来解决这一关键弱点，然后再用于学习和分析。他们提出了一个两步流程，称为IT-PR及其深度学习扩展IT-DPR，能够将无配对的正常与异常X线有效地转为“伪配对”。在第一步无训练的阶段，该方法仅使用肺部轮廓将肺内每一点映射到一个共同的坐标系。对每位患者的左右肺进行分割、拉伸和移动，以便相应的内部位置在不同个体间与单一参考肺对齐。这一步在不依赖任何疾病信息或神经网络训练的情况下，已经减少了许多大尺度的尺寸与形状不匹配。

用深度学习学习更精细的对齐

由于简单的几何变形无法完美匹配肺部解剖的微妙差异，第二步加入了可学习的可变形配准。在这里，神经网络并非在不相关的患者对上训练，而是在由同一患者形成的对上训练：原始肺部图像与第一步预对齐后的版本。这样，网络只学习校正坐标差异，而不会创造或去除疾病。该精细配准产生更平滑、更自然的变形，并避免了传统配准方法常见的两种主要失败模式：当“固定”图像是健康时真实病灶被抹平，以及仅使用粗糙掩模时在肺边界处产生不现实的阴影或折痕。

更清晰的AI结核病与实变影像检测

为检验其方法，研究者将其配准增强流程应用于两个知名的胸片问题：结核病检测和实变（一种在肺炎及其他疾病中出现的肺不透明影）检测。他们将IT-PR与IT-DPR接入两种标准的基于GAN的图像翻译模型CycleGAN和CUT，并将结果与常规使用这些模型的情况比较，同时也与一种领先的具配准意识的生成模型Reg-GAN以及常用配准工具如VoxelMorph和SynthMorph进行比较。使用一种在患者层面汇总X线与其AI生成的正常对应图像差异强度的“异常评分”，新方法显著提升了性能。对于结核病，最佳设置将ROC曲线下面积从0.755提升到0.928；对于实变，本已很高的0.964提升到0.991。该方法在不同决策阈值下也表现更稳定，并且与放射科医师提供的边界框相比，生成的高亮图更清晰且定位更准确。

这对患者与临床意味着什么

从实际角度看，这项工作表明在AI分析之前对胸片进行认真对齐，能显著提高系统发现病灶热点的可靠性。通过在没有像素级标注的情况下创建虚拟的正常—异常配对，该方法在降低标注成本的同时提升了准确性和可解释性。尽管额外的配准步骤将每张图像的计算时间增加到数十秒，但这仍在放射科医生典型阅片时间范围内。该研究的框架为原型，依赖于良好的肺部分割，但它指向了一个有力的观点：当AI通过共享的解剖地图“观察”医学影像时，它更能区分正常变异与真正的病理，从而为更可信、可广泛部署的胸部影像工具铺平道路。

引用: Oh, S.J., Kim, K., Lim, C.Y. et al. Enhancing generative networks for chest anomaly localization through automatic registration-based unpaired-to-pseudo-paired training data translation. Sci Rep 16, 11125 (2026). https://doi.org/10.1038/s41598-026-39979-2

关键词: 胸部X线人工智能, 异常定位, 医学图像配准, 生成对抗网络, 结核病检测