Abstract:

肺部疾病是全球健康面臨的一項重大挑戰，胸部 X 光檢查（CXR）因其方便性和經濟性而成為一種重要的診斷工具。 然而，CXR 圖像中重疊的骨結構往往會阻礙肺部病變的檢測，從而導致潛在的誤診。 為解決這一問題，我們開發了一種名為 BS-LDM 的端到端框架，旨在有效抑制高分辨率 CXR 圖像中的骨骼。 該框架基于條件潛在擴散模型，并結合了多級混合損失約束向量量化生成對抗網絡，該網絡專為感知壓縮而設計，可確保細節的保留。 為了進一步提高該框架的性能，我們在正向處理過程中使用了偏移噪聲，在反向處理過程中使用了時間自適應閾值策略。 這些新增功能有助于最大限度地減少生成軟組織圖像低頻信息時的差異。 此外，我們還編制了一個名為 SZCH-X-Rays 的高質量骨骼抑制數據集。 該數據集包括從我們的合作醫院收集的 818 對高分辨率 CXR 和軟組織圖像。 此外，我們還將 JSRT 數據集中的 241 對數據處理成臨床上更常用的負像。 我們的綜合實驗和下游評估顯示，BS-LDM 在骨抑制方面表現出色，凸顯了其臨床價值。

Project Page:?

BS-LDM: Effective Bone Suppression in High-Resolution Chest X-Ray Images with Conditional Latent Diffusion Models

Code:?

https://github.com/diaoquesang/BS-LDM

Survey:?

https://github.com/diaoquesang/A-detailed-summarization-about-bone-suppression-in-Chest-X-rays