論文の概要: FleXray: Universal Clinical X-ray Segmentation

• arxiv url: http://arxiv.org/abs/2609.26756v2
• Date: Wed, 23 Sep 2026 16:50:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 00:05:17.680149
• Title: FleXray: Universal Clinical X-ray Segmentation
• Title（参考訳）: FleXray:Universal Clinical X-ray Segmentation
• Abstract要約: 臨床X線検査における全身解剖学的セグメンテーションの一般モデルであるFleXrayについて述べる。 FleXrayは60の解剖学的構造を、目に見えない研究データセットと、その内部のX線に正確に分割する。 モデル、コード、フルボディのX線セグメンテーションデータセット、およびローカルで使いやすいブラウザベースのツールをhttps://flexray.csail.mit.eduでリリースします。
• 参考スコア（独自算出の注目度）: 21.438707945311936
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: X-ray is medicine's most widely used imaging modality, yet remains among its least quantitative. Unlike volumetric modalities like CT or MRI, X-ray collapses 3D anatomy into a 2D projection, causing structures to overlap and anatomical boundaries to be ambiguous, even to experts. As a result, labeling X-ray databases for training general-purpose segmentation systems is impractical, leaving morphometric and functional X-ray analysis confined to narrow anatomical regions and applications. To this end, we present FleXray, a generalist model for anatomical segmentation across the entire body in clinical X-rays. Instead of curating large, manually annotated X-ray datasets, we build a scalable, physics-based generative X-ray data engine. Using existing 3D whole-body CT segmentation datasets and generative image-editing models, we simulate fully-annotated 2D X-rays with diverse appearances, physiological properties, and imaging geometries. Trained on these simulations, FleXray accurately segments 60 anatomical structures across unseen research datasets and in-the-wild X-rays. We further show that FleXray makes X-rays directly amenable to quantitative analysis, enabling automated measurements for disease grading, robust navigation during X-ray-guided interventions, and data-efficient learning of pathological targets. We release the model, code, a full-body X-ray segmentation dataset, and a local, easy-to-use browser-based tool at https://flexray.csail.mit.edu .
• Abstract（参考訳）: X線は医薬で最も広く用いられる画像モダリティであるが、最も定量化されていない。 CTやMRIのような体積のモダリティとは異なり、X線は3D解剖学を2Dプロジェクションに分解し、構造が重なり合い、解剖学的境界が曖昧になる。 その結果、汎用セグメンテーションシステムのトレーニングのためのX線データベースのラベル付けは非現実的であり、形態学的および機能的X線分析は狭い解剖学的領域と応用に限られている。 そこで本研究では, 全身の解剖学的分画の一般モデルであるFleXrayを臨床X線で紹介する。 大規模で手動で注釈付きX線データセットをキュレートする代わりに、スケーラブルで物理ベースの生成X線データエンジンを構築します。 既存の3D全体CTセグメントデータセットと生成画像編集モデルを用いて, 外観, 生理特性, 画像ジオメトリの多彩な完全注釈2DX線をシミュレートした。 これらのシミュレーションに基づいて、FleXrayは60の解剖学的構造を、見えない研究データセットと、その中のX線に正確に分割する。 さらに、FleXrayは、X線を直接定量分析できるようにし、疾患のグレーディング、X線誘導介入時の堅牢なナビゲーション、および病的標的のデータ効率の学習の自動化を可能にした。 モデル、コード、フルボディのX線セグメンテーションデータセット、およびローカルで使いやすいブラウザベースのツールをhttps://flexray.csail.mit.eduでリリースします。

関連論文リスト

• Wrist bone segmentation in X-ray images using CT-based simulations [3.031228782572461]
  この研究は、10個の骨ラベルを持つ多数のシミュレーションされたX線画像を用いて、実際のX線画像における手首骨のセグメンテーションのための深層学習モデルを訓練する。 シミュレーション画像と実画像の両方を用いて提案手法の評価を行った。
  論文  参考訳（メタデータ） (2025-07-08T21:55:39Z)
• X-GRM: Large Gaussian Reconstruction Model for Sparse-view X-rays to Computed Tomography [89.84588038174721]
  Computed Tomographyは臨床において必須のツールであり、内部解剖学的構造を非侵襲的に可視化する。 既存のCT再構成作業は、小さなキャパシティモデルアーキテクチャと非フレキシブルボリューム表現に限られている。 スパースビュー2次元X線プロジェクションから3次元CTボリュームを再構成する大規模なフィードフォワードモデルであるX-GRMを提案する。
  論文  参考訳（メタデータ） (2025-05-21T08:14:10Z)
• X-Field: A Physically Grounded Representation for 3D X-ray Reconstruction [25.13707706037451]
  医療診断にはX線撮影が不可欠であるが、その使用は潜在的な健康リスクのために厳しく規制されている。 最近の研究は、スパース入力から新しいビューを生成し、CT(Computed Tomography)ボリュームを再構築することに焦点を当てている。 我々はX線画像に特化して設計された最初の3D表現であるX-Fieldを紹介する。
  論文  参考訳（メタデータ） (2025-03-11T16:31:56Z)
• X-LRM: X-ray Large Reconstruction Model for Extremely Sparse-View Computed Tomography Recovery in One Second [52.11676689269379]
  スパースビュー3次元CT再構成は, 限られた2次元X線投影から構造を復元することを目的としている。 既存のフィードフォワード手法は、CNNベースのアーキテクチャの限られた能力と大規模なトレーニングデータセットの不足によって制約される。 X線大画像再構成モデル(X-LRM)を提案する。
  論文  参考訳（メタデータ） (2025-03-09T01:39:59Z)
• FluoroSAM: A Language-promptable Foundation Model for Flexible X-ray Image Segmentation [11.55858990545478]
  FluoroSAMはSegment Anything Modelの言語プロンプト可能なバージョンである。 自然言語のプロンプトに基づいて、無数の解剖学的構造とツールをセグメント化することができる。 我々は,X線画像の取得と解析の文脈において,FluoroSAMがリッチな人間と機械の相互作用の鍵となる方法を示す。
  論文  参考訳（メタデータ） (2024-03-12T20:11:38Z)
• Structure-Aware Sparse-View X-ray 3D Reconstruction [26.91084106735878]
  スパースビューX線3次元再構成のための構造対応X線ニューラルラジオ密度場(SAX-NeRF)を提案する。 Linefomerは、X線の各線分内の依存関係をモデル化することで、3D空間内のオブジェクトの内部構造をキャプチャする。 X3Dの実験では、SAX-NeRFは、新しいビュー合成とCT再構成において、従来のNeRF法を12.56と2.49dBで上回っている。
  論文  参考訳（メタデータ） (2023-11-18T03:39:02Z)
• Act Like a Radiologist: Radiology Report Generation across Anatomical Regions [50.13206214694885]
  X-RGenは6つの解剖学的領域にわたる放射線学者によるレポート生成フレームワークである。 X-RGenでは、ヒトの放射線学者の行動を模倣し、これらを4つの主要な段階に分解する。 画像エンコーダの認識能力は,各領域にまたがる画像やレポートを分析して向上する。
  論文  参考訳（メタデータ） (2023-05-26T07:12:35Z)
• X-Ray2EM: Uncertainty-Aware Cross-Modality Image Reconstruction from X-Ray to Electron Microscopy in Connectomics [55.6985304397137]
  膜セグメンテーション品質を向上したEMライクな画像にX線画像を変換する不確実性を考慮した3D再構成モデルを提案する。 これは、よりシンプルで、より高速で、より正確なX線ベースのコネクトロミクスパイプラインを開発する可能性を示している。
  論文  参考訳（メタデータ） (2023-03-02T00:52:41Z)
• XraySyn: Realistic View Synthesis From a Single Radiograph Through CT Priors [118.27130593216096]
  放射線写真は、X線を用いて患者の内部解剖を視覚化し、3D情報を2次元平面に投影する。 私たちの知る限りでは、ラジオグラフィビューの合成に関する最初の研究である。 本手法は,3次元空間におけるX線撮影の理解を得ることにより,地中骨ラベルを使わずに,X線撮影による骨抽出と骨抑制に応用できることが示唆された。
  論文  参考訳（メタデータ） (2020-12-04T05:08:53Z)

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。