MRGen：面向数据稀缺 MRI 模态的分割数据引擎
计算机视觉与模式识别
2025-07-18 v3 人工智能
摘要
由于标注数据稀缺，为罕见但临床重要的成像模态训练医学图像分割模型极具挑战性，且人工掩膜标注的获取成本高昂且劳动密集。本文研究了利用生成模型合成数据，以训练用于数据稀缺模态（尤其是标注稀缺的 MRI）的分割模型。具体而言，我们的贡献有三方面：(i) 我们引入了 MRGen-DB，一个大规模放射学图像-文本数据集，包含大量带有丰富元数据的样本，包括模态标签、属性、区域和器官信息，其中一个子集具有像素级掩膜标注；(ii) 我们提出了 MRGen，一个基于扩散模型的可控医学图像合成数据引擎，其条件为文本提示和分割掩膜。MRGen 可以为缺乏掩膜标注的多种 MRI 模态生成逼真图像，从而促进低资源领域的分割训练；(iii) 跨多种模态的大量实验表明，MRGen 通过提供高质量的合成数据，显著提升了未标注模态上的分割性能。我们相信，我们的方法弥合了医学图像分析中的一个关键差距，将分割能力扩展到难以获取人工标注的场景。代码、模型和数据将在 https://haoningwu3639.github.io/MRGen/ 公开。
引用
@article{arxiv.2412.04106,
title = {MRGen: Segmentation Data Engine for Underrepresented MRI Modalities},
author = {Haoning Wu and Ziheng Zhao and Ya Zhang and Yanfeng Wang and Weidi Xie},
journal= {arXiv preprint arXiv:2412.04106},
year = {2025}
}
备注
Accepted by ICCV 2025; Project Page: https://haoningwu3639.github.io/MRGen/