NodMAISI：面向合成成像的结节导向医学AI
摘要
Objective: 虽然医学影像数据集日益增长，但对于肺癌筛查尤其是小结节至关重要的异常和注释密集型发现仍不足且 curator 一致性差。Methods: 我们引入 NodMAISI，一个解剖受限、结节导向的 CT 合成和数据增强框架，训练于统一的多来源队列（7,042 名患者，8,841 项 CT，14,444 项结节）。该框架集成了：(i) 将每个 CT 与器官掩码和结节级注释链接的标准化 curation 和注释管道；(ii) 基于 MAISI-v2 基础模块构建的受 ControlNet 条件控制的rectified-flow发生器，以确保解剖和病灶一致的合成；(iii) 病灶感知的数据增强，通过受控缩小结节掩码来扰动生成配对 CT 变体，同时保持周围解剖结构。Results: 在六个公开测试数据集上，NodMAISI 相对于 MAISI-v2 improved distributional fidelity（real-to-synthetic FID 范围 1.18 to 2.99 vs 1.69 to 5.21）。在 lesion detectability 分析中使用 MONAI 结节检测器，NodMAISI 大幅提高了平均灵敏度，并更接近临床扫描（IMD-CT: 0.69 vs 0.39; DLCS24: 0.63 vs 0.20），尤其在亚厘米结节方面，MAISI-v2 经常未能再现受条件控制的病灶。在面向 LUNA25 训练的下游结节级恶性分化分类中外部评估于 LUNA16、LNDbv4 和 DLCS24，NodMAISI 数据增强在 <=20% 临床数据时提高了 0.07 到 0.11 的 AUC，在 10% 时提高了 0.12 到 0.21，持续缩小数据稀缺情况下的性能差距。
引用
@article{arxiv.2512.18038,
title = {NodMAISI: Nodule-Oriented Medical AI for Synthetic Imaging},
author = {Fakrul Islam Tushar and Ehsan Samei and Cynthia Rudin and Joseph Y. Lo},
journal= {arXiv preprint arXiv:2512.18038},
year = {2025}
}
备注
3 tables, 7 figures, 12 Supplement tables, 9 Supplement figures