AURAD：基于渐进式表征的解剖-病理统一放射影像合成
图像与视频处理
2025-09-09 v2 计算机视觉与模式识别
摘要
医学图像合成已成为在数据稀缺的临床环境中扩充数据集和提高模型泛化能力的重要策略。然而，由于高质量标注有限以及数据集间的领域偏移，细粒度且可控的合成仍然困难。现有方法通常为自然图像或边界清晰的肿瘤设计，难以泛化到胸部X光片，因为其疾病模式形态多样且与解剖结构紧密交织。为解决这些挑战，我们提出 AURAD，一个可控的放射影像合成框架，能够联合生成高保真胸部X光片和伪语义掩膜。与依赖随机采样掩膜（这限制了多样性、可控性和临床相关性）的先前方法不同，我们的方法学习生成能够捕捉多病理共存和解剖-病理一致性的掩膜。它遵循一个渐进式流程：首先根据以解剖结构为条件的临床提示生成伪掩膜，然后用其指导图像合成。我们还利用预训练的专家医学模型来筛选输出并确保临床合理性。除了视觉真实性外，合成的掩膜还可作为下游任务（如检测和分割）的标签，弥合了生成建模与实际临床应用之间的差距。大量实验和盲法放射科医生评估证明了我们的方法在跨任务和跨数据集上的有效性和泛化能力。特别是，78% 的合成图像被认证放射科医生评为真实，超过 40% 的预测分割叠加图被评为具有临床实用性。所有代码、预训练模型和合成数据集将在发表后发布。
引用
@article{arxiv.2509.04819,
title = {AURAD: Anatomy-Pathology Unified Radiology Synthesis with Progressive Representations},
author = {Shuhan Ding and Jingjing Fu and Yu Gu and Naiteek Sangani and Mu Wei and Paul Vozila and Nan Liu and Jiang Bian and Hoifung Poon},
journal= {arXiv preprint arXiv:2509.04819},
year = {2025}
}