Dieses Papier schlägt einen neuen Rahmen für die Lungensegmentierung in Brust-Röntgenaufnahmen vor. Es enthält zwei wesentliche Beiträge: ein Segmentierungsnetzwerk auf Basis von Criss-Cross-Attention und eine radiorealistische Synthese von Brust-Röntgenbildern (d.h. synthetisierte Röntgenbilder, die anatomisch realistisch erscheinen) zur Datenvergrößerung. Die Criss-Cross-Attention-Module erfassen reichhaltige globale Kontextinformationen sowohl in horizontaler als auch in vertikaler Richtung für alle Pixel, was eine genaue Lungensegmentierung erleichtert. Um das manuelle Annotierungsproblem zu reduzieren und einen robusten Lungensegmentierer zu trainieren, der sich auch auf krankhafte Lungen mit unscharfen Lungengrenzen anpassen kann, wird ein Bild-zu-Bild-Übersetzungsmodul eingesetzt, um radiorealistische abnorme CXRs aus normalen Quellen für die Datenvergrößerung zu synthetisieren. Die Lungenmasken der synthetischen abnormen CXRs werden von den Segmentierungsergebnissen ihrer normalen Gegenstücke übertragen und dienen dann als Pseudomasken zur robusten Segmentierertraining. Darüber hinaus haben wir 100 CXRs mit Lungenmasken im herausfordernderen NIH Brust-Röntgenbild-Datensatz annotiert, der sowohl posteroantere als auch anteropostere Aufnahmen enthält, um die Evaluation durchzuführen. Ausführliche Experimente bestätigen die Robustheit und Effektivität des vorgeschlagenen Rahmens. Der Code und die Daten sind unter https://github.com/rsummers11/CADLab/tree/master/Lung_Segmentation_XLSor abrufbar.