MATS以多Agent计划、合成与复核生成可控肿瘤训练样本

在医学图像上合成真实的肿瘤有助于解决临床人工智能的数据稀缺问题。然而，现有的基于扩散的方法缺乏细粒度的属性级可控性、闭环质量验证以及对目标分布中哪些形态模式代表性不足的认识。我们提出了 MATS，一种用于文本控制、跨器官肿瘤合成的多Agent框架。给定一种目标疾病，MATS 首先在涵盖肿瘤几何形状和外观的细粒度属性空间上描述其形态分布，并构建一个生成计划，放大代表性不足的亚型，同时保持常见亚型占主导地位。然后，它定位目标器官，提出解剖学上有效的放置，并执行两阶段扩散以生成肿瘤掩模和渲染纹理，每个阶段都以相应的属性为条件。闭环反思机制在整个合成过程中验证三个检查点的属性对齐，并在检测到未对齐时提供有针对性的反馈以指导重新生成。 MATS 仅在单源胰腺神经内分泌肿瘤数据集上进行训练，持续改进域内以及跨 LiTS、KiTS 和 MSD-Pancreas 基准的下游分割，而大多数先前的生成增强方法都低于仅用真实数据训练的基线。