DiffUltra：面向大规模真实世界肺部超声数据的任务引导病理合成

尽管规模庞大，大型医学影像数据集仍可能对临床相关的病理表现覆盖不足。合成数据可以扩展覆盖范围，但生成结果必须与周围解剖结构保持相容。这在超声中颇具挑战，因为病灶与周围组织相似，且必须相对于解剖标志进行定位。我们提出 DiffUltra，一种任务引导的潜在扩散流程，它建模病理结构与空间上下文，并筛选合成图像的下游效用。DiffUltra 以结构掩码为条件进行生成，将病灶分解为无回声、低回声和高回声子区域。两种放置策略将病灶插入无病理背景中，或用来自其他患者的结构匹配病理替换现有病灶。一个仅在真实数据上训练的过滤器保留其预测在空间上与目标框一致的图像。我们在肺部超声的胸腔积液与肺实变检测上评估 DiffUltra，使用来自 12 个中心 598 名患者的超过 700,000 帧专家标注图像。在三个真实数据规模上平均，合成插入显著改善了胸腔积液（p = 0.017）和肺实变（p < 0.01）的视频级 AUROC。对于胸腔积液，帧级平均精度平均提高 4.5 个百分点，仅使用 10% 真实数据时提高 6.1 个百分点（两者 p < 0.01）。在每个规模上，合成插入也比现有的基于扩散的病灶插入方法带来更大的平均精度增益。在完整规模下，靶向合成使两种病理在一个覆盖不足的解剖区域以及一个留出的采集系统上的 AUROC 提高了 1.1-3.9 个百分点。这些结果表明，解剖约束的任务引导合成有助于解决超声训练数据中的覆盖缺口。

中文由 AI 翻译，仅供参考，以原文为准。