AnyCXR：使用多阶段域随机化合成数据与条件联合注释正则化学习实现任意获取位置的胸片人体解剖分割
计算机视觉与模式识别
2026-01-05 v2
摘要
胸片（CXR）的人体解剖分割在实际应用中仍具有挑战，主要由于缺乏全面注释且真实获取条件的变异性很大。我们提出 AnyCXR，一个统一框架，使其能够仅使用合成监督就实现跨任意 CXR 投影角度的通用多器官分割。该方法将多阶段域随机化（MSDR）引擎与条件联合注释正则化（CAR）学习策略相结合。MSDR 引擎从 3D CT 体积生成超过 10 万个解剖上严谨且高度多样的合成 X 射线图像，CAR 学习策略通过在潜在空间中强制解剖一致性，利用部分且不完美的标签。完全在合成数据上训练的 AnyCXR 在多个真实世界数据集上实现强大的零样 generalization，准确描绘了 PA、侧位和斜位视图中的 54 个解剖结构。所得分割图支持下游临床任务，包括自动化心胸比估计、脊柱曲度评估和疾病分类，其中解剖先验的融入可提高诊断性能。这些结果表明，AnyCXR 建立了一个可扩展且可靠的解剖感知 CXR 分析基础，为减少注释负担并提高跨多样化成像条件的鲁棒性提供了实用的路径。
引用
@article{arxiv.2512.17263,
title = {AnyCXR: Human Anatomy Segmentation of Chest X-ray at Any Acquisition Position using Multi-stage Domain Randomized Synthetic Data with Imperfect Annotations and Conditional Joint Annotation Regularization Learning},
author = {Zifei Dong and Wenjie Wu and Jinkui Hao and Tianqi Chen and Ziqiao Weng and Bo Zhou},
journal= {arXiv preprint arXiv:2512.17263},
year = {2026}
}
备注
20 pages, 12 figures, Preprint (under review at Medical Image Analysis)