CONFLUX：一种结合强化学习后训练的潜在扩散模型用于3D胸部CT合成

可控的3D医学图像生成模型可以合成具有指定临床属性的体数据，但这需要同时具有高保真度、原生3D且忠实于所请求条件的样本。我们提出了CONFLUX，一个用于胸部计算机断层扫描（CT）的潜在扩散模型：一个3D变分自编码器压缩每个体数据，一个修正流Transformer在潜在空间中进行生成。生成通过自适应层归一化以结构化的放射学元数据（18种异常发现、性别、年龄和重建核）为条件。该模型在三平面Frechet距离（FID 32.3 vs. MAISI的74.6）上优于强大的体积基线，同时暴露了对临床属性的直接控制。为了加强这种控制，我们添加了一个在线强化学习后训练阶段（群体相对策略优化），该阶段奖励分类器从每个生成体数据中恢复所请求发现的可靠性。经独立分类器判断，后训练将相对于真实扫描可靠性的不足减少了47%。我们发布了该模型和一个包含约20万个合成胸部CT数据集，其中包含涵盖各种临床发现的条件元数据。