面向胸部 X 光模型的临床意识合成图像生成用于概念覆盖
计算机视觉与模式识别
2026-05-11 v2 人机交互
摘要
胸部 X 光诊断深度学习模型受限于公开训练数据集中临床有意义概念组合的覆盖不足。尽管合成图像生成已用于增加数据多样性，但现有方法很少强制执行临床或解剖约束，限制了其提高模型可靠性的效用。我们提出了 CARPA（Clinically Aware and Anatomically grounded framework for synthetic chest X-ray generation），一种具有临床意识和解剖导向的合成胸部 X 光生成框架，通过对临床概念向量施加有针对性的扰动，同时保持解剖结构。通过生成具有受控概念插入和删除的解剖忠实图像，CARPA 扩展了临床相关概念的覆盖范围。我们在七个 backbone 架构上评估了 CARPA，通过在合成子集上微调模型，在保留的 MIMIC-Cxr benchmark 上进行测试。与先前的概念扰动方法相比，针对 CARPA 生成的图像进行微调，持续改进了 precision-recall 性能、降低了预测不确定性，并提高了模型校准。结构和语义分析表明，图像具有高解剖忠实性、强概念对齐以及低语义不确定性。两位专职放射科医生的评估进一步确认了图像的真实性和临床一致性。这些结果表明，解剖导向的概念扰动可更有效地利用合成数据，提高胸部 X 光分类模型的性能和可靠性，支持更安全的临床部署。
引用
@article{arxiv.2603.15525,
title = {Clinically Aware Synthetic Image Generation for Concept Coverage in Chest X-ray Models},
author = {Amy Rafferty and Rishi Ramaesh and Ajitha Rajan},
journal= {arXiv preprint arXiv:2603.15525},
year = {2026}
}