SZCH-X-Rays

SZCH-X-Rays数据集包含741对前后位胸部X光片和软组织图像，用于评估GL-LCM模型在骨抑制方面的性能。数据集来自合作医院，采用双曝光DES数字放射系统获得，并经过筛选和分割。该数据集旨在解决临床实践中骨抑制技术面临的挑战，通过深度学习和扩散模型提高诊断能力。

The SZCH-X-Rays Dataset contains 741 pairs of posteroanterior chest X-rays and soft tissue images, which are used to evaluate the performance of the GL-LCM model in bone suppression. The dataset is sourced from a collaborative hospital, acquired via a dual-exposure DES digital radiography system, and has undergone screening and segmentation. It is designed to address the challenges faced by bone suppression technologies in clinical practice, and enhance diagnostic capabilities through deep learning and diffusion models.

原始信息汇总

GL-LCM 数据集概述

数据集基本信息

• 名称: GL-LCM (Global-Local Latent Consistency Models)
• 用途: 用于胸部X光图像中快速高分辨率骨抑制
• 相关论文: "GL-LCM: Global-Local Latent Consistency Models for Fast High-Resolution Bone Suppression in Chest X-Ray Images" (MICCAI 2025)
• arXiv链接: https://arxiv.org/abs/2508.03357
• 项目页面: https://diaoquesang.github.io/GL-LCM-Project-Page/

主要贡献

1. GL-LCM架构: 通过潜在空间中的双路径采样和像素空间中的全局-局部融合，实现有效的骨抑制和纹理细节保留。
2. 推理效率: 仅需当前基于扩散的方法约10%的推理时间。
3. 局部增强引导(LEG): 无需额外训练即可减轻局部路径采样中的边界伪影和细节模糊问题。
4. 实验验证: 在自收集数据集SZCH-X-Rays和公共数据集JSRT上表现出卓越的性能和效率。

数据集内容

• SZCH-X-Rays: 自收集数据集，包含配对CXR和DES软组织图像。
• JSRT: 公共数据集，提供原始和处理后的数据。

数据集下载

• JSRT原始数据集: https://drive.google.com/file/d/1RkiU85FFfouWuKQbpD7Pc7o3aZ7KrpYf/view?usp=sharing
• JSRT处理数据集: https://drive.google.com/file/d/1o-T5l2RKdT5J75eBsqajqAuHPfZnzPhj/view?usp=sharing
• SZCH-X-Rays测试图像: 包含3对CXR和DES软组织图像。

预训练模型

• VQGAN - SZCH-X-Rays: https://drive.google.com/file/d/1L6M_2AoOgtPhi1B-klUKFUruyk__-_E-/view?usp=drive_link
• UNet - SZCH-X-Rays: https://drive.google.com/file/d/1mrFJZ3M7aECe3weZvYF5G-DJYPc16zAi/view?usp=drive_link
• VQGAN - JSRT: https://drive.google.com/file/d/1sJv4iyUGo2NHMUOscWBtON1Rd7jm22QF/view?usp=drive_link
• UNet - JSRT: https://drive.google.com/file/d/1d1DmdHy84vWHGJs-74pMKRKfY66_4Dmx/view?usp=drive_link

评估指标

• BSR (%): 骨抑制率
• MSE (10⁻³): 均方误差
• PSNR: 峰值信噪比
• LPIPS: 学习感知图像块相似度

使用说明

1. 环境要求: Linux, Python>=3.7, NVIDIA GPU (内存>=32G) + CUDA cuDNN
2. 依赖安装: pip install -r requirements.txt
3. 评估:
   • VQGAN评估: python vq-gan_eval.py
   • GL-LCM评估: python batch_lcm_eval.py
4. 训练:
   • 数据分割: python dataSegmentation.py
   • VQGAN训练: python vq-gan_train.py
   • GL-LCM训练: python lcm_train.py
5. 指标计算: python metrics.py

引用

bibtex @inproceedings{sun2025gl, title={Gl-lcm: Global-local latent consistency models for fast high-resolution bone suppression in chest X-ray images}, author={Sun, Yifei and Chen, Zhanghao and Zheng, Hao and Lu, Yuqing and Duan, Lixin and Min, Wenwen and Fan, Fenglei and Elazab, Ahmed and Wan, Xiang and Wang, Changmiao and Ge, Ruiquan}, booktitle={International conference on medical image computing and computer-assisted intervention}, year={2025}, organization={Springer} }

搜集汇总

数据集介绍

构建方式

SZCH-X-Rays数据集构建采用了高标准的医学影像采集流程，通过GE Healthcare的双能量减影数字放射成像系统（Discovery XR656）获取了741对后前位胸部X光片与对应的软组织图像。为确保数据质量，研究团队排除了存在操作误差、显著运动伪影、胸腔积液及气胸等干扰因素的影像。所有图像均经过标准化处理，统一调整为1024×1024像素分辨率，并按8:1:1的比例划分为训练集、验证集和测试集，为深度学习模型提供了高质量的基准数据。

特点

该数据集在医学影像分析领域具有显著优势，其核心特点体现在三个方面：首先，采用双能量减影技术获取的配对图像提供了精准的骨骼抑制基准；其次，1024×1024的高分辨率保留了肺部纹理的微观细节；最后，严格的质控标准确保了影像的临床适用性。与公开数据集JSRT相比，SZCH-X-Rays在样本量上扩充了三倍，且通过现代成像设备获取的数据具有更优的信噪比和空间分辨率，为开发下一代骨骼抑制算法奠定了坚实基础。

使用方法

研究人员可通过两种典型路径利用该数据集：作为端到端训练的目标数据，指导深度学习模型学习从常规X光到软组织图像的映射；或作为验证基准，评估骨骼抑制算法的性能指标。使用时应遵循数据集的标准化预处理流程，包括采用双三次插值法调整图像尺寸，并应用窗宽窗位标准化技术。值得注意的是，该数据集特别适合验证GL-LCM等先进模型在全局骨骼抑制与局部纹理保留方面的双重性能，其配套的肺部分割掩模还可用于定量分析特定解剖区域的算法表现。

背景与挑战

背景概述

SZCH-X-Rays数据集是由杭州电子科技大学、香港中文大学、电子科技大学等机构的研究团队于2025年构建的高质量胸部X光影像数据集，旨在解决肺病诊断中骨骼结构遮挡关键细节的难题。该数据集包含741对后前位胸部X光与双能减影(DES)软组织图像，采用GE Healthcare Discovery XR656系统采集，并经过严格的质量控制筛选。作为当前骨骼抑制研究领域的重要基准，SZCH-X-Rays通过提供高分辨率(1024×1024像素)的配对数据，显著推动了基于深度学习的骨骼抑制技术发展，特别是在全局骨骼消除与局部纹理保留的平衡方面提供了关键研究素材。

当前挑战

该数据集主要面临双重挑战：在领域问题层面，胸部X光骨骼抑制需要同时实现骨骼结构的完全消除与肺部纹理细节的精确保留，现有方法往往难以兼顾；在构建过程中，获取配对的CXR-DES影像面临临床采集难度大、设备依赖性强等实际问题，且需解决运动伪影排除、病理样本筛选等数据质量控制难题。此外，高分辨率影像处理带来的计算复杂度与实时性要求，使得模型在保持精度的同时还需优化推理效率，这对算法设计提出了严峻考验。

常用场景

经典使用场景

在医学影像分析领域，SZCH-X-Rays数据集被广泛用于胸部X光图像中骨骼抑制技术的研究与开发。该数据集通过提供成对的胸部X光图像和双能量减影（DES）软组织图像，为研究人员提供了一个可靠的基准，用于评估和比较不同骨骼抑制算法的性能。特别是在深度学习模型中，该数据集常用于训练和验证生成对抗网络（GANs）和扩散模型，以实现高质量的骨骼抑制效果。

实际应用

在实际临床应用中，SZCH-X-Rays数据集支持的骨骼抑制技术被广泛应用于胸部X光图像的诊断过程中。通过减少骨骼结构的干扰，医生能够更清晰地观察肺部组织，从而提高对肺炎、结核和肺部肿块等疾病的诊断准确性。此外，该技术还被集成到计算机辅助诊断（CAD）系统中，进一步提升了自动化诊断的效率和可靠性。

衍生相关工作

基于SZCH-X-Rays数据集，研究人员开发了多种先进的骨骼抑制算法，如基于自动编码器（AE）的方法、多尺度条件对抗网络（MCA-Net）以及改进的U-Net模型。此外，该数据集还催生了多项扩散模型的应用研究，如BS-Diff和BS-LDM，这些工作进一步推动了骨骼抑制技术在高分辨率图像处理中的发展。