从线到形：基于霍夫变换的 X 射线准直器几何约束分割
计算机视觉与模式识别
2025-09-05 v1 医学物理
摘要
X 射线成像中的准直将曝光限制在感兴趣区域（ROI），并最小化施加于患者的辐射剂量。准直器阴影的检测是数字放射摄影中一项关键的基于图像的预处理步骤，当边缘被散射 X 射线辐射遮挡时会面临挑战。尽管如此，准直形成多边形阴影的先验知识是显而易见的。基于此，我们提出了一种本质上受其几何约束的深度学习分割方法。我们通过引入基于可微分霍夫变换的网络来检测准直边界，并增强其提取 ROI 中心信息的能力。在推理阶段，我们结合两项任务的信息以生成经过精化的、线约束的分割掩码。我们在多样化的真实 X 射线图像测试集上展示了准直区域的鲁棒重建，Hausdorff 距离中位数为 4.3–5.0 mm。虽然该应用最多涉及四条阴影边界，但我们的方法并不受特定边数的根本限制。
引用
@article{arxiv.2509.04437,
title = {From Lines to Shapes: Geometric-Constrained Segmentation of X-Ray Collimators via Hough Transform},
author = {Benjamin El-Zein and Dominik Eckert and Andreas Fieselmann and Christopher Syben and Ludwig Ritschl and Steffen Kappler and Sebastian Stober},
journal= {arXiv preprint arXiv:2509.04437},
year = {2025}
}