用于真实超声图像合成的特征空间引导扩散

条件扩散模型可以生成解剖学上合理的医学超声 (US) 图像，但仅凭解剖学合理性并不能确保真实的 B 模式外观。大多数美国管道采用标准生成架构并将其调节在解剖掩模上，或使用增强相同解剖信号的引导机制。然而，B 模式 US 图像是由与采集相关的属性（例如散斑纹理、组织对比度和衰减）决定的。使用冻结的美国基础模型，我们表明标准条件扩散基线与表示空间中的真实图像保持分离。在这项工作中，我们提出了特征空间候选指导（FSCG），这是一种 无需训练 采样策略来缩小这种差距。在采样时，FSCG 应用局部 k-NN 特征校正，并根据其特征空间能量选择多个随机候选者中的最佳者。通过这种方式，面具定义了解剖结构，而 FSCG 则将样本引向真正的美国领域。在三个不同的数据集中，与标准条件扩散采样相比，FSCG 将平均 FID64 减少了 56%，FID192 减少了 57%，最近邻特征距离减少了 47%，优于替代推理时间指导基线。结果表明，领域感知特征表示可以揭示并减少医学扩散合成中的真实性差距，而无需重新训练生成器。我们的代码可在 https://github.com/marinadominguez/FSCG 获取。