X-DigiSkull

X-DigiSkull数据集是一个包含合成和真实头骨X射线扫描的新数据集，用于研究领域适应。数据集包括使用Mentice VIST®模拟器生成的合成X射线图像和从Philips Azurion IGT系统获取的真实X射线图像。数据集包含多个角度的采集和不同的辐射剂量设置，共有18702张图像，用于训练和测试模型，以评估其在不同领域之间的翻译能力。

The X-DigiSkull dataset is a novel dataset consisting of synthetic and real skull X-ray scans for domain adaptation research. It includes synthetic X-ray images generated via the Mentice VIST® simulator and real X-ray images acquired from the Philips Azurion IGT system. The dataset covers acquisitions at multiple angles and different radiation dose settings, with a total of 18,702 images, which are utilized for training and testing models to assess their cross-domain translation capabilities.

原始信息汇总

MedShift: Implicit Conditional Transport for X-Ray Domain Adaptation

数据集概述

MedShift是一个基于Flow Matching和Schrödinger Bridges的统一类条件生成模型，专注于合成和真实头部X射线图像之间的跨域转换，旨在弥合衰减行为、噪声特征和软组织表示方面的差异。

数据集详情

• 名称: X-DigiSkull
• 目的: 支持X射线成像中的域适应研究
• 内容: 包含通过Mentice VIST®模拟器生成的合成颅骨X射线图像和使用Philips Azurion图像引导治疗（IGT）系统从物理颅骨模型获取的真实扫描图像
• 图像特性:
  • 覆盖标准神经介入视点
  • 提供三种辐射剂量水平：低剂量、正常剂量和曝光模式（Philips独家模式，提供增强细节）
  • 合成图像渲染以近似真实视图，旨在保持空间一致性而非直接监督
  • 所有图像裁剪并调整为780×780像素
• 域分类:
  • 合成域：包含使用Mentice VIST®模拟器生成的低剂量和高剂量样本
  • 真实域：包含使用Philips Azurion IGT系统获取的低剂量、正常剂量和曝光剂量类别

模型性能

MedShift在图像翻译性能比较中表现出色，实现了最平衡的权衡，在平均排名中领先。具体性能指标参见表1中的CFID、覆盖率、CMMD、排名、LPIPS和SSIM值。

关键特点

• 无需配对训练数据即可学习域间映射
• 在预训练VAE学习的潜在空间中工作，保留解剖细节同时减少计算
• 支持在训练期间看到的任何域对之间进行灵活、高保真度的域转移
• 比基于扩散的方法模型尺寸更小，提供强大性能并在推理时保持灵活
• 可调整以优先考虑感知保真度或结构一致性

资源

• 论文: https://arxiv.org/abs/2508.21435
• 代码和数据集将公开发布

搜集汇总

数据集介绍

构建方式

在医学影像领域，X-DigiSkull数据集的构建采用了多源协同采集策略。合成数据通过Mentice VIST®模拟器生成，基于真实临床病例的3D头骨模型进行数字重建放射成像，并精细模拟了X射线衰减、散射效应及探测器响应等物理特性。真实数据则使用飞利浦Azurion影像引导治疗系统，对物理头骨模型进行多角度采集，涵盖低、常规、高曝光三种辐射剂量水平。通过精确对齐合成与真实环境的坐标系，并采用5°精细角度增量渲染，确保了跨域数据在空间结构上的一致性。

特点

该数据集的核心特征体现在其多维度的域适应基准价值。包含5832张合成图像与6556张真实图像，覆盖5种剂量-域组合，所有图像均统一为780×780像素分辨率。合成域呈现理想化的衰减特性与噪声分布，而真实域则包含临床系统中固有的结构化噪声与散射伪影。特别值得注意的是，数据集通过精确的角度对齐（合成域5°增量，真实域10°增量）保留了解剖结构的空间对应关系，为无监督域适应任务提供了结构一致性保障。

使用方法

数据集的使用需遵循跨域翻译的基准范式。研究者可将合成高剂量图像作为源域，真实常规剂量图像作为目标域，通过MedShift等流匹配模型进行隐式条件传输。具体流程包括：将源图像编码至域无关潜在空间，再通过目标域条件采样实现翻译。评估时需兼顾感知真实性（CFID、CMMD）与结构保真度（LPIPS、SSIM），并通过调整时间参数τ平衡风格迁移与结构保留程度。测试集采用15%视角均匀采样以确保评估的代表性。

背景与挑战

背景概述

X-DigiSkull数据集由荷兰埃因霍温理工大学研究团队于2025年创建，旨在解决医学影像领域合成数据与真实临床数据间的域适应问题。该数据集包含通过Mentice VIST®模拟器生成的合成头骨X射线图像和采用飞利浦Azurion介入治疗系统采集的真实头骨X射线图像，涵盖低剂量、正常剂量和高曝光剂量三种辐射水平。通过精确对齐合成与真实图像的坐标系统和视角，该数据集为跨域翻译模型提供了标准化评估基准，显著推动了医学影像合成数据在实际临床场景中的泛化能力研究。

当前挑战

X-DigiSkull数据集核心挑战集中于解决合成与真实X射线图像间的域差异问题，具体包括：1）衰减特性差异，合成图像难以模拟真实人体组织中骨骼、气腔与软组织的复杂衰减行为；2）噪声特征建模，真实X射线系统中的结构化噪声、散射效应和压缩伪影在模拟环境中缺失；3）软组织对比度动态范围还原，尤其在骨骼边界和重叠解剖结构区域需保持解剖一致性。构建过程中需克服多模态数据对齐、剂量参数标准化以及跨设备影像几何一致性维护等工程挑战。

常用场景

经典使用场景

在医学影像分析领域，X-DigiSkull数据集被广泛用于评估跨域图像转换模型的性能，特别是在合成X射线图像与真实临床图像之间的风格迁移任务中。该数据集通过提供多剂量水平下的对齐颅骨X射线图像，为研究者提供了标准化基准，用于验证模型在保持解剖结构一致性的同时实现域间转换的能力。

实际应用

该数据集在临床培训系统和手术导航中具有重要应用价值，通过生成逼真的合成X射线图像，帮助医生在无辐射风险的环境中进行技能训练。此外，它还能用于医疗设备校准和影像协议优化，通过模拟不同剂量下的成像效果，辅助制定更安全的放射诊疗方案，提升医疗服务的质量与安全性。

衍生相关工作

基于X-DigiSkull数据集，研究者开发了如MedShift等基于流匹配与薛定谔桥的生成模型，实现了多域间的高保真图像转换。后续工作进一步扩展了其在剂量标准化和跨中心影像协调中的应用，衍生出如剂量自适应转换网络和跨设备域统一框架等创新方向，持续推动医学影像分析的技术前沿。