HIT Webinar | [张翰韬 中国科大] 可控合成医学数据的病灶聚焦扩散模型

从假设到证据:大语言模型在医学科学发现中的应用

北京时间2025年5月2日晚上20:00

#腾讯会议:775-213-548

在真实临床实践中，患者数据常因样本稀缺和长尾分布不均而导致模型输出产生偏差，甚至引发管法公平性问题。为了解决这一挑战，本研究提出了一种全新的方法，通过从无病灶图像中合成含灶的图像-分割对，从根本上缓解数据稀缺问题。以往的医学图像合成方法在将病灶信息与背景分离时常遇难，导致生成的背景质量较低，同时缺乏对合成结果的有效控制。受到扩散模型在图像修-LeFusion。该方法复(inpainting)中的应用启发，我们提出了以病灶为核心的扩散模型过重新设计扩散学习目标，使模型专注于病灶区域，从而简化学习过程，并在保证高保真背景的育提下，显著增强对合成输出的可控性。具体来说，LeFusion在反向扩散过程中巧妙地融合了正向扩散产生的背景上下文，实现了两者的完美结合。此外，我们针对病灶纹理生成中的两个主要难题:多峰值结构和多类别病灶，提出了两项有效策略-基于直方图的纹理控制技术以及多通道分能方法，从而在复杂场景下依然能够生成高质量且具备良好可控性的病灶图像。我们还引入了病灶掩膜扩散机制，实现了对病灶大小、位置及边界的精准调控，进一步提升了生成病灶的多样性和真实感。在3D心脏病灶MRI和肺结节CT数据集上的实验结果表明，利用LeFusion生成的数据能够显著提升主流分割模型(如 nnUNet 和 SwinUNETR)的性能。代码和模型已在开源平台上发布，详情请访问:https://github.com/M3DV/LeFusion END