Abstract:

肺部疾病是全球健康面临的一项重大挑战，胸部 X 光检查（CXR）因其方便性和经济性而成为一种重要的诊断工具。 然而，CXR 图像中重叠的骨结构往往会阻碍肺部病变的检测，从而导致潜在的误诊。 为解决这一问题，我们开发了一种名为 BS-LDM 的端到端框架，旨在有效抑制高分辨率 CXR 图像中的骨骼。 该框架基于条件潜在扩散模型，并结合了多级混合损失约束向量量化生成对抗网络，该网络专为感知压缩而设计，可确保细节的保留。 为了进一步提高该框架的性能，我们在正向处理过程中使用了偏移噪声，在反向处理过程中使用了时间自适应阈值策略。 这些新增功能有助于最大限度地减少生成软组织图像低频信息时的差异。 此外，我们还编制了一个名为 SZCH-X-Rays 的高质量骨骼抑制数据集。 该数据集包括从我们的合作医院收集的 818 对高分辨率 CXR 和软组织图像。 此外，我们还将 JSRT 数据集中的 241 对数据处理成临床上更常用的负像。 我们的综合实验和下游评估显示，BS-LDM 在骨抑制方面表现出色，凸显了其临床价值。

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