3D-LLDM：用于改善肝脏结构分割中高分辨率合成 MR 成像的标签引导 3D 潜在扩散模型
计算机视觉与模式识别
2026-03-26 v1
摘要
深度学习和生成模型正在快速发展，合成数据日益被集成到下游分析任务的训练管道中。然而，在医学影像领域，其采用受限于可靠标注数据集的稀缺。为解决这一限制，我们提出了 3D-LLDM，一种标签引导的 3D 潜在扩散模型，用于生成伴随解剖分割掩码的高质量合成磁共振 (MR) 体积。我们的方法利用含 Gd-EOB-DTPA 造影剂的肝脏肝素期 MR 图像，推导肝脏、门脉、肝脏静脉和肝细胞癌的结构掩码，然后通过基于 ControlNet 的架构指导体积合成。在来自三星医疗中心的 720 例真实临床肝脏肝素期 MR 扫描中训练的 3D-LLDM 实现了 28.31 的 Fréchet 感知距离 (FID)，相较于 GAN 提高了 70.9%，相较于最新扩散基线提高了 26.7%。当用于数据增强时，合成体积可使肝细胞癌分割平均提升最高达 11.153% Dice 评分。
引用
@article{arxiv.2603.23845,
title = {3D-LLDM: Label-Guided 3D Latent Diffusion Model for Improving High-Resolution Synthetic MR Imaging in Hepatic Structure Segmentation},
author = {Kyeonghun Kim and Jaehyeok Bae and Youngung Han and Joo Young Bae and Seoyoung Ju and Junsu Lim and Gyeongmin Kim and Nam-Joon Kim and Woo Kyoung Jeong and Ken Ying-Kai Liao and Won Jae Lee and Pa Hong and Hyuk-Jae Lee},
journal= {arXiv preprint arXiv:2603.23845},
year = {2026}
}
备注
Accepted to ISBI 2026 (Oral). Camera-ready version