GL-LCM：用于胸片图像快速高分辨率骨骼抑制的全局-局部潜在一致性模型
图像与视频处理
2025-08-06 v1 计算机视觉与模式识别
摘要
胸片（CXR）成像用于肺部诊断面临重大挑战，主要因骨骼结构会遮挡关键细节，影响准确诊断。近期深度学习技术，特别是扩散模型，为有效降低 CXR 图像中骨骼可见性提供了巨大前景，从而提升清晰度并改善诊断准确性。然而，现有扩散方法在骨骼抑制方面难以平衡完全抑制骨骼与保留局部纹理细节的目标。此外，其高计算需求和延长处理时间阻碍了在临床中的实际应用。为此，我们提出全局-局部潜在一致性模型（GL-LCM）架构。该模型结合肺部分割、双路径采样和全局-局部融合，实现了 CXR 图像的快速高分辨率骨骼抑制。为解决局部分割路径中潜在边界伪影和细节模糊问题，我们进一步提出局部增强引导技术，无需额外训练即可解决此问题。针对自收集数据集 SZCH-X-Rays 和公共数据集 JSRT 进行全面实验表明，GL-LCM 在骨骼抑制和计算效率方面均显著优于多数竞争方法。我们的代码已公开于 https://github.com/diaoquesang/GL-LCM。
引用
@article{arxiv.2508.03357,
title = {GL-LCM: Global-Local Latent Consistency Models for Fast High-Resolution Bone Suppression in Chest X-Ray Images},
author = {Yifei Sun and Zhanghao Chen and Hao Zheng and Yuqing Lu and Lixin Duan and Fenglei Fan and Ahmed Elazab and Xiang Wan and Changmiao Wang and Ruiquan Ge},
journal= {arXiv preprint arXiv:2508.03357},
year = {2025}
}
备注
11 pages, 3 figures, accepted by MICCAI 2025