基于WDLoRA的多模态生成框架用于糖尿病神经病变中临床引导的角膜共聚焦显微镜图像合成
计算机视觉与模式识别
2026-03-18 v2
摘要
角膜共聚焦显微镜（CCM）是评估糖尿病周围神经病变（DPN）中小纤维损伤的敏感工具，然而，由于标记数据稀缺和角膜神经形态的细微变异性，开发稳健的、基于自动深度学习诊断模型受到限制。尽管人工智能（AI）驱动的基础生成模型在自然图像合成方面表现出色，但由于领域特定训练有限，它们通常在医学成像中表现不佳，损害了临床分析所需的解剖保真度。为克服这些限制，我们提出了一种基于权重分解低秩适应（WDLoRA）的多模态生成框架，用于临床引导的CCM图像合成。WDLoRA是一种参数高效微调（PEFT）机制，它解耦了幅度和方向的权重更新，使基础生成模型能够独立学习医学真实性所需的朝向（神经拓扑）和强度（基质对比度）。通过联合条件化神经分割掩码和疾病特异性临床提示，模型在DPN谱系（对照组、T1NoDPN、T1DPN）中合成了解剖学上连贯的图像。一个全面的三支柱评估表明，所提出的框架实现了最先进的视觉保真度（Fréchet Inception Distance (FID)：5.18）和结构完整性（Structural Similarity Index Measure (SSIM)：0.630），显著优于GAN和标准扩散基线。至关重要的是，合成图像保留了金标准的临床生物标志物，并且在统计上等同于真实患者数据。当用于训练自动化诊断模型时，合成数据集将下游诊断准确率提高了2.1%，分割性能提高了2.2%，验证了该框架在缓解医学AI数据瓶颈方面的潜力。
引用
@article{arxiv.2602.13693,
title = {A WDLoRA-Based Multimodal Generative Framework for Clinically Guided Corneal Confocal Microscopy Image Synthesis in Diabetic Neuropathy},
author = {Xin Zhang and Liangxiu Han and Tam Sobeih and Yue Shi and Yalin Zheng and Uazman Alam and Maryam Ferdousi and Rayaz Malik},
journal= {arXiv preprint arXiv:2602.13693},
year = {2026}
}