用于条件 CMR 合成的生成基础模型的元数据感知适应

合成图像生成是解决医学成像中数据稀缺和临床重要表型代表性不足的一种有前景的策略，但生成忠实反映有意义的患者特征的图像仍然具有挑战性。在这项工作中，我们使用预训练的潜在扩散模型研究元数据条件的心脏磁共振 (CMR) 合成，编码结构化临床元数据和切片位置作为文本提示来指导 CMR 生成。为了提高元数据的依从性并解决临床属性的不平衡问题，我们集成了三种策略：无元数据无分类器指导（CFG）、对比批处理和逆频采样。使用配对图像相似性、分布保真度和亚组水平分析，对来自英国生物库的 59,058 个短轴 CMR 对该框架进行了微调和评估。该组合方法的 Fréchet 起始距离 (FID) 为 37.47，与未使用这些策略进行微调的相同模型相比提高了 57.04%，与之前需要心脏几何形状作为额外输入且仅依赖于患者元数据的文本条件 CMR 扩散基线相比提高了 28.68%。这种分布增益主要由无元数据 CFG 驱动，伴随着配对相似性的适度降低，这表明该模型优先考虑群体水平的真实性而不是精确的图像再现。亚组分析表明，人口统计和采集相关元数据的一致性得到了改善，而特定疾病的调节是最具挑战性的任务。这些发现证明了生成基础模型在具有临床意义的 CMR 合成方面的潜力，同时强调需要更有效的元数据感知调节策略。我们的代码位于 https://github.com/rodriguezmarc/conditional-cmr。