基于扩散模型的细粒度结节合成框架：提升胸腔放射图肺结节检测

早期检测胸腔放射图(X-ray)中的肺结节对于改善患者预后至关重要，然而由于结节的轻微外观及其在尺寸、纹理和边界等放射学特征上的变异性，结节检测仍具有挑战性。为实现稳健分析，必须在基于深度学习的计算机辅助诊断(CAD)系统训练数据集中充分代表这种多样性。然而，组装此类数据集成本高昂且往往不切实际，促使需要现实合成数据生成。现有方法缺乏对合成结节生成的细粒度控制，限制了其在解决数据稀缺方面的实用性。本文提出一种新颖的扩散框架，采用低秩适配(LoRA)适配器实现特征受控结节合成。我们首先通过结节掩码条件化训练基础扩散模型，以实现尺寸和形状控制。为实现单一特征控制，我们训练独立的LoRA模块，每个模块专用于特定放射学特征。然而，由于结节极少仅表现出孤立特征，有效的多特征控制需要特征的平衡集成。我们通过利用LoRA的动态可组合性并重新审视现有合并策略来解决此问题。建立此基础上，我们识别出两个关键问题：注意力区域重叠和参数空间非正交。为克服这些限制，我们在LoRA组合训练期间引入一种新颖的正交性损失项。大量实验在内部数据集和公共数据集上进行，显示下游结节检测效果得到改善。放射科医生评估确认我们生成结节的细粒度可控性，在多个定量指标上，我们的方法优于现有针对CXRs的结节生成方法。