FleXray模型实现全身临床X光解剖分割
论文AI 评分 75/100arXiv cs.AI待复核
AI 聚合
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
X光因3D结构投影为2D导致边界模糊，难以标注训练通用分割系统。FleXray模型基于现有3D全身CT分割数据与生成式图像编辑模型，构建可扩展的物理生成数据引擎，模拟出具备多样外观与生理特性的全标注2DX光片。该模型能在未知研究数据与真实场景中精准分割60种解剖结构，使X光支持疾病分级自动测量、介入导航及病理目标高效学习。其模型、代码、数据集与本地浏览器演示工具均已公开。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载X光通用分割困境
X光作为医学领域应用最广的成像方式，其量化程度却极低。由于将三维解剖结构压缩为二维投影，导致结构重叠与解剖边界模糊，即便是专家也难以界定。因此，为训练通用分割系统而标注X光数据库极不现实，使得X光的形态与功能分析长期局限于狭窄的解剖区域和特定应用。
物理生成数据引擎
为规避大规模人工标注难题，FleXray构建了可扩展的基于物理的生成式数据引擎。该引擎无需构建手动标注数据集，而是利用现有的3D全身CT分割数据集，结合生成式图像编辑模型，模拟出具备多样外观、生理特性和成像几何特征的全标注2D X光片，以此作为模型训练基础。
分割能力与量化应用
基于模拟数据训练的FleXray，在未见过的研究数据集与真实场景X光片中，均能准确分割60种解剖结构。该模型使X光片能够直接进行量化分析，支持疾病分级的自动测量、X光引导介入期间的稳健导航，以及对病理目标的数据高效学习。
开源资源与工具
研究团队已全面公开相关资源，包含FleXray模型、代码、全身X光分割数据集，以及一款可在本地运行、易于使用的浏览器端演示工具，方便社区直接体验与应用该分割能力。
为什么值得看
突破X光通用分割的数据标注瓶颈，实现全身60种结构量化分析，工具与数据全开源。
数据集
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。