X射线洞察力释放：开创性地增强多标签长尾数据
计算机视觉与模式识别
2026-02-17 v2
摘要
胸部X光片中的长尾肺部异常带来了巨大的诊断挑战。尽管近期基于扩散的方法在增强尾部病变表示方面取得了进展，但罕见病变样本的稀缺限制了这些方法的生成能力，从而导致诊断精度欠佳。本文提出了一种新颖的数据合成流程，旨在利用大量常规正常X光片来增强尾部病变。具体而言，收集足够数量的正常样本以训练一个能够生成正常X光图像的扩散模型。随后，利用该预训练的扩散模型来修复病变X光片中存在的头部病变，从而将尾部类别保留为增强的训练数据。此外，我们提出集成大语言模型知识引导（LKG）模块和渐进式增量学习（PIL）策略，以稳定修复微调过程。在公开肺部数据集 MIMIC 和 CheXpert 上进行的综合评估表明，所提方法在性能上设立了新的基准。
引用
@article{arxiv.2512.20980,
title = {X-ray Insights Unleashed: Pioneering the Enhancement of Multi-Label Long-Tail Data},
author = {Xinquan Yang and Jinheng Xie and Yawen Huang and Yuexiang Li and Huimin Huang and Hao Zheng and Xian Wu and Yefeng Zheng and Linlin Shen},
journal= {arXiv preprint arXiv:2512.20980},
year = {2026}
}