平衡忠实性、实用性与隐私：基于合成心脏 MRI 生成的比较研究
计算机视觉与模式识别
2026-03-05 v1 机器学习
摘要
心脏 MRI (CMR) 中的深度学习方法受限于数据稀缺和隐私法规。本研究系统评估了三种生成式架构：去噪扩散概率模型 (DDPM)、潜在扩散模型 (LDM) 和流匹配 (FM)，用于合成 CMR 生成。采用两阶段管线，其中解剖掩模条件化图像合成，我们评估生成数据在三个关键维度上的表现：忠实性、实用性和隐私。结果显示，扩散基模型，特别是 DDPM，在有限数据条件下，在下游分割实用性、图像忠实性和隐私保护之间提供了最佳平衡；而 FM 在隐私特性方面表现有前景，但任务级性能略低。这些发现量化了跨域泛化与患者保密性之间的权衡，为医学影像中的安全有效的合成数据增强建立了框架。
引用
@article{arxiv.2603.04340,
title = {Balancing Fidelity, Utility, and Privacy in Synthetic Cardiac MRI Generation: A Comparative Study},
author = {Madhura Edirisooriya and Dasuni Kawya and Ishan Kumarasinghe and Isuri Devindi and Mary M. Maleckar and Roshan Ragel and Isuru Nawinne and Vajira Thambawita},
journal= {arXiv preprint arXiv:2603.04340},
year = {2026}
}
备注
7 pages, 4 figures, Preprint