TumorGen：基于校正流匹配的边界感知肿瘤掩码合成

肿瘤数据合成为标注医学数据集的短缺提供了一种有前景的解决方案。然而，当前的方法要么通过使用预定义掩码限制了肿瘤多样性，要么采用带有多个去噪步骤的计算成本高昂的两阶段过程，导致计算效率低下。此外，这些方法通常依赖于无法捕捉肿瘤边界特有的渐变过渡的二元掩码。我们提出了 TumorGen，一种基于校正流匹配的新型边界感知肿瘤掩码合成方法，用于高效的 3D 肿瘤合成，包含三个关键组件：一个边界感知伪掩码生成模块，用灵活的边界框取代严格的二元掩码；一个空间约束向量场估计器，使用校正流匹配同时合成肿瘤潜变量和掩码以确保计算效率；以及一个 VAE 引导的掩码细化器以增强边界真实性。TumorGen 通过需要更少的采样步骤显著提高了计算效率，同时通过粗粒度和细粒度空间约束保持病理准确性。实验结果表明，TumorGen 在效率和真实性方面均优于现有的肿瘤合成方法，为 AI 驱动的癌症诊断做出了宝贵贡献。