[论文] Anatomy-Decomposed Chest Computed Tomography (CT) Projections as Scala...

论文概要

研究领域: CV 作者: Mrunmay Angaitkar, Piyush Kumar, Aarjav Satia, Pranav Rao, Ashish Mittal, Manoj Tadepalli, Preetham Putha 发布时间: 2026-09-21 arXiv: 2609.24937

中文摘要

骨骼重叠可能掩盖胸部X光片中的异常，而稀缺的配对训练数据限制了有监督的骨骼抑制方法。我们通过数字重建X光片（DRR）框架解决这一挑战，将胸部 CT 转换为组件抑制的配对监督。一种新颖的骨骼分割算法将 CT 分解为骨骼、非肺软组织和肺部组件，分别进行投影。它们的加权组合生成合成的X光片，附带像素级配准的组件图像，这些图像精确求和为完整 DRR。在这些数据上训练的模型通过预测目标组件并通过减法恢复其余部分来抑制骨骼或肺部组件，无需真实配对训练数据即可迁移到真实X光片。作为扩展，它们在真实X光片上的输出为不成对的组件级 DRR 转换提供了目标域，在保留解剖细节的同时缩小了外观差距。在多个公共数据集上，下游检测实验证明了骨骼抑制的效用，增益集中在与骨骼有显著重叠的异常上。与应用于相同 CT 的开源 DRR 引擎相比，我们未经修改的 DRR 实现了相当的真实感和标签相关解剖结构的保留，而转换后的 DRR 在评估方法中取得了最佳的 FID、肺野清晰度和与源 CT 解剖结构的一致性。模型和推理代码：https://huggingface.co/qureaiorg/bone-suppression

原文摘要

Bone overlap can obscure abnormalities in chest radiographs, while scarce paired training data limit supervised bone suppression. We address this challenge with a digitally reconstructed radiograph (DRR) framework that converts chest computed tomography (CT) into paired supervision for component suppression. A novel bone segmentation algorithm enables CT decomposition into bone, non-lung soft-tissue, and lung components, which are projected separately. Their weighted combination yields synthetic radiographs with pixel-registered component images that sum exactly to the full DRR. Models trained on these data suppress bone or lung components by predicting the target component and recovering the remainder by subtraction, transferring to real radiographs without real paired training data. As a...

#论文 #arXiv #CV #小凯