用于局部连贯且目标导向图像合成的分割器引导反事实微调

反事实图像生成是增强训练数据、消除数据集偏差以及对疾病进行建模的有力工具。现有方法依赖外部分类器或回归器来提升受试者层面干预（例如改变患者年龄）的有效性。对于特定结构的干预（例如在胸部X光片中改变左肺区域），我们指出这是不够的，并可能导致整个图像域内出现不理想的全局效应。以往的工作使用像素级标签图作为引导，这要求用户提供假设的分割结果，既繁琐又难以获取。我们提出了分割器引导的反事实微调（Segmentor-guided Counterfactual Fine-Tuning, Seg-CFT），它在保持对标量值、特定结构变量进行干预的简便性的同时，能够生成局部连贯且有效的反事实图像。我们展示了生成逼真胸部X光片的能力，并在冠状动脉疾病建模方面取得了有前景的结果。代码：https://github.com/biomedia-mira/seg-cft。