摘要

本文介绍了一种名为RadiomicsFill-Mammo的创新技术，该技术利用放射组学特征生成具有特定属性的合成乳腺肿瘤图像。文章探讨了在医学影像领域中，由于隐私问题和高标签成本导致的高质量数据获取困难，以及数据集不平衡对神经网络训练的影响。RadiomicsFill-Mammo通过使用稳定扩散模型和放射组学特征，能够生成与特定临床变量（如BI-RADS评分和乳腺密度）相匹配的逼真肿瘤图像，从而提高肿瘤检测能力并增强治疗规划。该研究不仅推动了医学影像研究，还为肿瘤模拟开辟了新的应用前景。

原理

RadiomicsFill-Mammo的核心工作原理是利用放射组学特征作为低维但生物学意义重大的标记，通过稳定扩散模型生成合成肿瘤图像。该模型通过迭代去噪过程，在掩蔽区域中进行肿瘤修复，利用未掩蔽区域、对侧乳腺图像和特定肿瘤条件的信息。此外，模型还集成了临床条件，如乳腺密度和BI-RADS评分，以增强医学应用的相关性。通过这种方式，RadiomicsFill-Mammo能够精确地生成符合特定放射组学条件的多样化且逼真的肿瘤图像。

流程

RadiomicsFill-Mammo的工作流程包括以下几个关键步骤：首先，使用公开的VinDr-Mammo数据集进行训练和测试，该数据集包含5000个全数字化乳腺摄影案例。其次，通过经验丰富的乳腺放射科医生进行半自动的肿瘤轮廓描绘，以提取放射组学特征。然后，利用稳定扩散模型作为骨干生成器，结合放射组学特征和临床变量进行肿瘤图像生成。最后，通过评估生成的肿瘤图像的质量和与实际肿瘤图像的相似度，验证模型的有效性。例如，通过比较生成的肿瘤图像与实际肿瘤图像的放射组学特征分布，确认模型能够准确反映指定的肿瘤条件。

应用

RadiomicsFill-Mammo的应用前景广泛，包括但不限于：1）增强医学影像研究中的数据平衡和多样性；2）提高肿瘤检测算法的性能，特别是在高密度乳腺组织中的肿瘤检测；3）辅助临床治疗规划，通过模拟不同肿瘤条件来评估治疗效果。此外，该技术还可扩展到其他医学影像领域，如MRI和CT，为更广泛的临床应用提供支持。