HUydra：通过多个 HU 间隔生成模型进行全范围肺部 CT 合成

目前，医学影像领域计算机辅助诊断（CAD）模型部署和验证的一个主要挑战和瓶颈是数据稀缺。对于肺癌这种全球最常见的癌症类型之一，有限的数据集可能会延迟诊断并影响患者的治疗结果。生成式 AI 为这个问题提供了一个有前途的解决方案，但处理全亨斯菲尔德单位 (HU) 范围肺部 CT 扫描的复杂分布具有挑战性，并且仍然是一项计算量要求很高的任务。本文介绍了一种新颖的分解策略，每次合成一个 HU 间隔的 CT 图像，而不是一次对整个 HU 域进行建模。该框架专注于在以个体组织为中心的 HU 窗口上训练生成架构，然后通过学习的重建网络将其输出合并到全方位扫描中，从而有效地逆转 HU 窗口过程。我们进一步提出多头和多解码器模型，以更好地捕获纹理，同时保持解剖一致性，多头 VQVAE 实现生成任务的最佳性能。定量评估表明，该方法显着优于传统的 2D 全范围基线，在所有 HU 区间的 FID 和出色的 MMD、精度和召回率方面实现了 6.2% 的改进。多头 VQVAE 变体实现了最佳性能，这表明可以增强视觉保真度和可变性，同时降低模型复杂性和计算成本。这项工作为结构感知医学图像合成建立了一个新的范例，使生成模型与临床解释保持一致。