論文の概要: DeBoneDiT: Depth-Driven Conditional Bridge Diffusion Transformers for Bone Suppression in Chest X-Ray Images

• arxiv url: http://arxiv.org/abs/2610.19466v1
• Date: Wed, 14 Oct 2026 02:46:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.924357
• Title: DeBoneDiT: Depth-Driven Conditional Bridge Diffusion Transformers for Bone Suppression in Chest X-Ray Images
• Title（参考訳）: DeBoneDiT:胸部X線画像における骨抑制のための深さ駆動型コンディショナルブリッジ拡散変圧器
• Abstract要約: 胸部X線は肺疾患の診断における主要なモダリティであるが、骨構造の重複は重要なX線所見を曖昧にすることが多い。 DESは骨抑制のための臨床ベンチマークであるが、その普及は特別なハードウェア要件と放射線曝露の増大によって妨げられている。 高分解能骨抑制のための深度駆動型コンディショナルブリッジ拡散変圧器アーキテクチャであるDeBoneDiTを提案する。
• 参考スコア（独自算出の注目度）: 11.57939162744159
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Chest X-Ray (CXR) is a primary modality for diagnosing pulmonary diseases, yet the overlap of bony structures often obscures critical radiographic findings, increasing the risk of diagnostic uncertainty. While Dual-Energy Subtraction (DES) is the clinical benchmark for bone suppression, its widespread adoption is primarily hindered by specialized hardware requirements and increased radiation exposure. Recently, diffusion-based generative models have shown promise for this task, yet they are still constrained by reconstruction-biased latent compression, prior-induced domain gap, and a scarcity of high-quality paired datasets. To address these challenges, we propose DeBoneDiT, a depth-driven conditional bridge diffusion Transformer architecture for efficient high-resolution bone suppression. We first introduce Depth Auto-Encoder (DAE), a structure-aware vision tokenizer for latent compression. By incorporating a multi-level depth feature loss derived from the pretrained Depth Anything V2 encoder, DAE preserves both visual fidelity and structural consistency. Second, we formulate bone suppression as a source-conditioned Brownian bridge diffusion process, leveraging CXRs as both the diffusion prior and structural guidance to narrow the source-to-target domain gap and maintain anatomical plausibility. Furthermore, we have constructed and released SZCH-X-Rays, the largest publicly available high-quality paired dataset for bone suppression to date, comprising 741 pairs of CXR and DES soft tissue images. Extensive experiments and downstream evaluation demonstrate that DeBoneDiT achieves superior bone suppression performance with reduced computational overhead.
• Abstract（参考訳）: 胸部X線(英語版)(CXR)は肺疾患の診断における主要なモダリティであるが、骨構造の重複は重要なX線像を曖昧にし、診断の不確実性のリスクを増大させる。 Dual-Energy Subtraction (DES) は骨抑制のための臨床ベンチマークであるが、その普及は主に特別なハードウェア要件と放射線曝露によって妨げられている。 近年,拡散型生成モデルでは,この課題への期待が証明されているが,再現バイアス付き潜在圧縮,先行帰納的ドメインギャップ,高品質なペアデータセットの不足などによって制約されている。 これらの課題に対処するために,高分解能骨抑制のための深度駆動型コンディショナルブリッジ拡散トランスアーキテクチャであるDeBoneDiTを提案する。 Depth Auto-Encoder (DAE) は遅延圧縮のための構造認識型視覚トークンである。 DAEは、事前訓練されたDepth Anything V2エンコーダから派生した多層深度特徴損失を組み込むことで、視覚的忠実度と構造的整合性の両方を保っている。 第2に,源条件のブラウン橋の拡散過程として骨抑制を定式化し,CXRを拡散前と構造誘導の両方に利用し,ソース・ターゲット領域のギャップを狭め,解剖学的妥当性を維持する。 SZCH-X-Raysは,CXRとDES軟組織像の741対からなる骨抑制用として現在までに最大規模の高画質なペアデータセットである。 DeBoneDiTは骨抑制性能が向上し, 骨抑制性能が向上し, 計算オーバーヘッドの低減が図られた。

関連論文リスト

• A deep dictionary network-based foundation model for ultra-low-dose CT denoising [49.70293041079032]
  超低線量CT(Ultra-low-Dose Computed Tomography, ULDCT)は放射線照射を減少させるが、診断画像の品質を低下させる重音に悩まされる。 既存のディープラーニングに基づくdenoising法は、通常、臓器固有の方法で訓練される。 深部辞書ネットワーク(DDN)をベースとしたアーキテクチャ可能な基盤モデルを提案する。
  論文  参考訳（メタデータ） (2026-09-11T05:14:08Z)
• DSA-SRGS: Super-Resolution Gaussian Splatting for Dynamic Sparse-View DSA Reconstruction [67.42242016220122]
  血管造影は脳血管疾患の補助的診断と治療のための重要な画像診断法である。 ガウススプラッティングと動的神経表現の最近の進歩は、スパースダイナミックインプットから頑健な3次元血管再構築を可能にしている。 本稿では、動的スパースビューDSA再構成のための初の超高分解能ガウススプラッティングフレームワークであるDSA-SRGSを提案する。
  論文  参考訳（メタデータ） (2026-03-05T03:41:08Z)
• X-ray Insights Unleashed: Pioneering the Enhancement of Multi-Label Long-Tail Data [86.52299247918637]
  胸部X線撮影における長期肺腫瘍の診断は困難であった。 尾部病変の表現力を高める拡散法は近年進歩しているが, 稀な病変例では, それらの発生能が低下している。 そこで本研究では,従来のX線を併用して尾部病変を増大させる新しいデータ合成パイプラインを提案する。
  論文  参考訳（メタデータ） (2025-12-24T06:14:55Z)
• Double Helix Diffusion for Cross-Domain Anomaly Image Generation [47.093354259479234]
  本稿ではDH-Diff(Double Helix Diffusion)について紹介する。DH-Diffは高忠実度異常画像と画素レベルのアノテーションマスクを同時に合成する新しいクロスドメイン生成フレームワークである。 DH-Diffは二重ヘリックスにインスパイアされたユニークなアーキテクチャを採用し、特徴分離、接続、マージのために異なるモジュールをサイクリングする。 大規模な実験により、DH-Diffは多様性と信頼性において最先端の手法を著しく上回り、下流異常検出性能は大幅に向上した。
  論文  参考訳（メタデータ） (2025-09-16T08:06:07Z)
• 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)
• DPER: Diffusion Prior Driven Neural Representation for Limited Angle and Sparse View CT Reconstruction [45.00528216648563]
  Diffusion Prior Driven Neural Representation (DPER) は、異常に不適切なCT再構成逆問題に対処するために設計された、教師なしのフレームワークである。 DPERは、半二次分割法(HQS)アルゴリズムを採用し、逆問題からデータ忠実度とサブプロブレム前の分布に分解する。 LACTにおけるDPERの性能評価と2つの公開データセットを用いた超SVCT再構成に関する総合的な実験を行った。
  論文  参考訳（メタデータ） (2024-04-27T12:55:13Z)
• 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)
• Semantic Latent Space Regression of Diffusion Autoencoders for Vertebral Fracture Grading [72.45699658852304]
  本稿では,教師なし特徴抽出器として生成拡散オートエンコーダモデルを訓練するための新しい手法を提案する。 フラクチャーグレーディングを連続回帰としてモデル化し, フラクチャーのスムーズな進行を反映した。 重要なことに,本手法の創成特性は,与えられた脊椎の様々な段階を可視化し,自動グルーピングに寄与する特徴を解釈し,洞察することを可能にする。
  論文  参考訳（メタデータ） (2023-03-21T17:16:01Z)

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。