SynBT: 基于 3D 扩散模型的高质量乳腺肿瘤合成用于乳腺肿瘤分割
计算机视觉与模式识别
2025-09-04 v1
摘要
医学图像中的合成肿瘤具有可控的特征，有助于机器学习模型的训练，从而提高分割性能。然而，现有的肿瘤合成方法在肿瘤占据较大空间体积时表现不佳，例如在大视野（FOV）MRI 中的乳腺肿瘤分割，而常用的肿瘤生成方法基于小补丁。在本文中，我们提出了一种名为 SynBT 的三维医学扩散模型，用于在对比增强 MRI 图像中生成高质量的乳腺肿瘤（BT）。所提出的模型包含一个补丁到体积的自编码器，能够将高分辨率 MRI 压缩到紧凑的潜在空间，同时保留大 FOV 体积的分辨率。利用获得的潜在空间特征向量，一个掩码条件扩散模型被用于在乳腺组织选定区域内合成乳腺肿瘤，从而产生逼真的肿瘤外观。我们针对肿瘤分割任务评估了所提出的方法，结果表明高质量肿瘤合成方法可使常见分割模型在大型公共数据集上的 Dice 分数提高 2-3%，因此为 MRI 图像中的肿瘤分割提供了益处。
引用
@article{arxiv.2509.03267,
title = {SynBT: High-quality Tumor Synthesis for Breast Tumor Segmentation by 3D Diffusion Model},
author = {Hongxu Yang and Edina Timko and Levente Lippenszky and Vanda Czipczer and Lehel Ferenczi},
journal= {arXiv preprint arXiv:2509.03267},
year = {2025}
}
备注
Accepted by MICCAI 2025 Deep-Breath Workshop. Supported by IHI SYNTHIA project