ViCTr：面向病理感知图像合成的关键一致性迁移
计算机视觉与模式识别
2025-07-28 v3
摘要
由于受限标注病理数据、模态领域差异以及复杂表征扩散性病理病变（如肝cirrhosis）等挑战，医学图像合成仍面临难题。现有方法常难以维持解剖结构忠实度，同时准确建模病理特征，频繁依赖来自自然图像的先验或低效的多步抽样。本文引入ViCTr（Vital Consistency Transfer），一种新型双阶段框架，组合校正流轨迹与Tweedie校正扩散过程，实现高保真、病理感知图像合成。首先，我们在ATLAS-8k数据集上使用弹性权重一致性（Elastic Weight Consolidation, EWC）预训练ViCTr，以保留关键解剖结构。随后，我们采用低秩适应（Low-Rank Adaptation, LoRA）模块对模型进行对抗式微调，以实现对病理严重程度的精确控制。通过将Tweedie公式在线性轨迹框架中重新表述，ViCTr支持单步采样，将推理步骤从50步降至仅4步，且无需牺牲解剖真实性。我们在BTCV（CT）、AMOS（MRI）以及CirrMRI600+（肝cirrhosis）数据集上评估ViCTr。结果表明，ViCTr实现了业界最佳性能，肝cirrhosis合成的医学FID（MFID）为17.01，比现有方法低28%，在数据增强应用时nnUNet分割精度提升3.8%点（mDSC）。放射科医生评估表明，ViCTr生成的肝cirrhosis MRI在临床上与真实扫描几乎无法区分。据我们所知，ViCTr是首个提供细粒度、病理感知MRI合成且支持分级严重程度控制的方法，弥补了AI驱动医学影像研究中的关键缺口。
引用
@article{arxiv.2505.04963,
title = {ViCTr: Vital Consistency Transfer for Pathology Aware Image Synthesis},
author = {Onkar Susladkar and Gayatri Deshmukh and Yalcin Tur and Gorkhem Durak and Ulas Bagci},
journal= {arXiv preprint arXiv:2505.04963},
year = {2025}
}
备注
Accepted in ICCV 2025