MedShift：基于隐式条件传输的 X 射线领域适应

合成医学数据提供了训练鲁棒模型的可扩展方案，但显著的域间差异限制了其在真实临床环境中的可泛化性。本文聚焦于合成与真实 X 射线图像之间的跨域翻译，特别是解决衰减行为、噪声特征和软组织表征之间的差异。我们提出了 MedShift，一种基于流匹配（Flow Matching）和 Schrodinger 桥（Schrödinger Bridges）的统一类别条件生成模型，实现高保真度、无配对图像在多个域之间的翻译。不同于以往需要特定域训练或依赖配对数据的先前方法，MedShift 学习共享的域无关潜在空间，支持在训练期间看到的任意域对之间的无缝翻译。我们引入了 X-DigiSkull 数据集，包含在不同辐射剂量下对齐的合成与真实颅骨 X 射线，以基准测试域间翻译模型。实验结果表明，尽管 MedShift 的模型规模小于基于扩散的方法，但其性能优异且在推理时保持灵活性——可调节以优先感知保真度或结构一致性，使其成为医学影像领域可扩展且可泛化的域适应解决方案。代码和数据已公开于 https://caetas.github.io/medshift.html。