論文の概要: Anatomy-Decomposed Chest Computed Tomography (CT) Projections as Scalable Supervision for Bone Suppression in Chest Radiographs

• arxiv url: http://arxiv.org/abs/2609.24937v2
• Date: Tue, 22 Sep 2026 03:56:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-23 18:04:04.02107
• Title: Anatomy-Decomposed Chest Computed Tomography (CT) Projections as Scalable Supervision for Bone Suppression in Chest Radiographs
• Title（参考訳）: 胸部CTによる胸部X線像の骨抑制効果の検討
• Abstract要約: 胸部X線写真では骨の重なりが異常にみられ, 対の訓練データが少ないことで骨の抑制が抑制される。 この課題に対して,胸部CT(Central Computed Tomography)をコンポーネント抑制のためのペア管理に変換する,デジタル再構成されたX線写真フレームワークを用いて対処する。 新しい骨分割アルゴリズムは、別々に投影される骨、非肺軟部組織、肺成分へのCT分解を可能にする。
• 参考スコア（独自算出の注目度）: 2.340737229362205
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: 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 an extension, their outputs on real radiographs provide target domains for unpaired, component-wise DRR translation, reducing the appearance gap while retaining anatomical details. Across multiple public datasets, downstream detection experiments demonstrate the utility of bone suppression, with gains concentrated on abnormalities with substantial bone overlap. Compared with open-source DRR engines applied to the same CTs, our unmodified DRRs achieve comparable realism and preservation of label-relevant anatomy, while translated DRRs achieve the best Fréchet inception distance (FID), lung-field sharpness, and agreement with source-CT anatomy among the evaluated methods. Models and inference code: https://huggingface.co/qureaiorg/bone-suppression ; Translated projections: https://huggingface.co/datasets/qureaiorg/ct2xr-projections.
• Abstract（参考訳）: 胸部X線写真では骨の重なりが異常にみられ, 対の訓練データが少ないことで骨の抑制が抑制される。 本稿では,胸部CT(Central Computed Tomography)をコンポーネント抑制のためのペア管理に変換するDRR(Digital Restructed Radiograph)フレームワークを用いて,この問題に対処する。 新しい骨分割アルゴリズムは、別々に投影される骨、非肺軟部組織、肺成分へのCT分解を可能にする。 重み付けされた組み合わせは、完全なDRRと正確に一致するピクセル登録された成分画像と合成ラジオグラフを生成する。 これらのデータに基づいてトレーニングされたモデルは、標的成分を予測し、残りの成分を減算して回収することにより、骨や肺の成分を抑制する。 拡張として、実際のラジオグラフィーでの出力は、未ペアでコンポーネントワイドなDRR翻訳のためのターゲットドメインを提供し、解剖学的詳細を保持しながら外観のギャップを小さくする。 複数の公開データセットにまたがって、下流検出実験は、骨の重なりがかなり大きい異常に集中して骨の抑制効果を示す。 DRRはFréchet開始距離(FID), 肺野の鋭さ, ソースCT解剖との一致を評価対象として, 同一のCTに応用したオープンソースDRRエンジンと比較し, ラベル関連解剖学に匹敵する現実性と保存性を実現している。 モデルと推論コード: https://huggingface.co/qureaiorg/bone-press ; 翻訳プロジェクション: https://huggingface.co/datasets/qureaiorg/ct2xr-projections

関連論文リスト

• Reconstruction-Shift Discrimination via Mask-Guided Latent Diffusion for Medical Anomaly Detection [58.92871907037662]
  教師なしの医学的異常検出は、正常な訓練画像から正常な解剖パターンを学習し、テスト時の偏差を識別する。 再構成に基づく拡散に基づく手法は、通常、入力画像とその再構成の違いを異常な証拠として利用する。 本研究は,残差に基づく局所化と再構成-シフト判別を補完する医用異常検出フレームワークであるDMDを提案する。
  論文  参考訳（メタデータ） (2026-08-01T04:56:39Z)
• BS-LDM: Effective Bone Suppression in High-Resolution Chest X-Ray Images with Conditional Latent Diffusion Models [23.830681949520745]
  肺疾患は、Chest X-Ray(CXR)が重要な診断ツールであると共に、重要な世界的な健康上の課題である。 肺病変の検出は、しばしばCXR画像の重なり合う骨構造によって妨げられ、潜在的な誤診につながる。 我々は,高解像度CXR画像の骨を効果的に抑制するために,BS-LDMと呼ばれるエンドツーエンドのフレームワークを開発した。
  論文  参考訳（メタデータ） (2024-12-20T08:36:17Z)
• Shadow and Light: Digitally Reconstructed Radiographs for Disease Classification [8.192975020366777]
  DRR-RATEは、21,304人のユニークな患者から50,188個の前方デジタル再構成ラジオグラフィー(DRR)から構成される。 各画像は、対応する放射線学テキストレポートと18の病理学クラスのためのバイナリラベルとがペアリングされる。 我々は,既存の大規模胸部X線リソース,特にCheXpertデータセットとCheXnetモデルと併用して,DRR-RATEの適用性を示す。
  論文  参考訳（メタデータ） (2024-06-06T02:19:18Z)
• BS-Diff: Effective Bone Suppression Using Conditional Diffusion Models from Chest X-Ray Images [21.19843479423806]
  胸部X線(CXR)は肺検診の低用量モダリティとして一般的に用いられる。 肺領域の約75%は骨と重なり、疾患の検出と診断を妨げている。 骨抑制技術が導入されたが、現在の病院の二重エネルギーサブトラクションイメージング技術は、高価な機器と高放射線にさらされる被検体を必要としている。 本稿では,U-Netアーキテクチャを備えた条件拡散モデルと,オートエンコーダを組み込むシンプルな拡張モジュールを備える骨抑制フレームワークBS-Diffを提案する。
  論文  参考訳（メタデータ） (2023-11-26T15:13:13Z)
• Cross-Modal Causal Intervention for Medical Report Generation [107.76649943399168]
  放射線医学報告生成(RRG)は, コンピュータ支援診断と薬剤指導に不可欠である。 視覚言語的バイアスによる急激な相関により、正確な病変記述の生成は依然として困難である。 我々はCrossModal Causal Representation Learning (CMCRL)という2段階のフレームワークを提案する。 IU-XrayとMIMIC-CXRの実験により、我々のCMCRLパイプラインは最先端の手法よりも大幅に優れていることが示された。
  論文  参考訳（メタデータ） (2023-03-16T07:23:55Z)
• Radiomics-Guided Global-Local Transformer for Weakly Supervised Pathology Localization in Chest X-Rays [65.88435151891369]
  Radiomics-Guided Transformer (RGT)は、テキストトグロバル画像情報と、テキストトグロバル情報とを融合する。 RGTは、画像トランスフォーマーブランチ、放射能トランスフォーマーブランチ、および画像と放射線情報を集約する融合層から構成される。
  論文  参考訳（メタデータ） (2022-07-10T06:32:56Z)
• Improved Slice-wise Tumour Detection in Brain MRIs by Computing Dissimilarities between Latent Representations [68.8204255655161]
  磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。 本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。 本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
  論文  参考訳（メタデータ） (2020-07-24T14:02:09Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。