论文页面 - CONFLUX: A Latent Diusion Model for 3D Chest-CT Synthesis with RL Post-Training

来源: https://huggingface.co/papers/2607.02998

摘要

一种用于胸部CT生成的3D潜在扩散模型，能够生成高保真结果，同时通过元数据条件和强化学习优化实现对临床属性的控制。

可控的3D医学图像生成模型可以合成具有指定临床属性（https://huggingface.co/papers?q=clinical%20attributes）的体积，但这要求样本同时具备高保真(https://huggingface.co/papers?q=fid)度、原生3D、且与请求条件保持一致。我们提出了CONFLUX，一种潜在扩散模型（https://huggingface.co/papers?q=latent%20diffusion%20model）用于胸部计算机断层扫描（https://huggingface.co/papers?q=chest%20computed%20tomography）（CT）：一个3D变分自编码器（https://huggingface.co/papers?q=3D%20variational%20autoencoder）压缩每个体积，然后一个整流流变压器（https://huggingface.co/papers?q=rectified-flow%20transformer）在潜在空间中生成。生成过程通过自适应层归一化（https://huggingface.co/papers?q=adaptive%20layer%20normalization）条件于结构化放射学元数据（https://huggingface.co/papers?q=radiological%20metadata）（18种异常发现、性别、年龄和重建核）。该模型在三平面Fréchet距离（https://huggingface.co/papers?q=tri-planar%20Frechet%20distance）（FID（https://huggingface.co/papers?q=FID）32.3对比MAISI的74.6）上领先于强体积基线，同时提供对临床属性（https://huggingface.co/papers?q=clinical%20attributes）的直接控制。为了加强这种控制，我们增加了一个在线强化学习后训练（https://huggingface.co/papers?q=reinforcement-learning%20post-training）阶段（组相对策略优化（https://huggingface.co/papers?q=group-relative%20policy%20optimization）），该阶段奖励分类器从每个生成体积中可靠地恢复所请求的发现。通过一个独立分类器的评估，后训练消除了相对于真实扫描可靠性的47%的差距。我们发布了该模型和一个约20万例合成胸部CT数据集，其条件元数据涵盖了广泛的临床发现。

查看arXiv页面（https://arxiv.org/abs/2607.02998）查看PDF（https://arxiv.org/pdf/2607.02998）项目页面（https://huggingface.co/spaces/mxvp/conflux-chest-ct-demo）添加到收藏（https://huggingface.co/login?next=%2Fpapers%2F2607.02998）

在你的代理中获取这篇论文：

hf papers read 2607.02998

没有最新的CLI？curl -LsSf https://hf.co/cli/install.sh | bash

引用此论文的模型1

gevaertlab/conflux 无条件图像生成• 更新于大约4小时前 • 9 (https://huggingface.co/gevaertlab/conflux)

引用此论文的数据集1

gevaertlab/conflux-chest-ct 查看器• 更新于大约4小时前 • 200k • 41 • 1 (https://huggingface.co/datasets/gevaertlab/conflux-chest-ct)

引用此论文的Spaces1

包含此论文的收藏0

没有包含此论文的收藏

将这篇论文添加到收藏（https://huggingface.co/new-collection）以便从此页面链接。