Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > cs > arXiv:2506.00633

帮助 | 高级搜索

计算机科学 > 计算机视觉与模式识别

arXiv:2506.00633 (cs)
[提交于 2025年5月31日 ]

标题: 通过对比视觉语言预训练的3D潜在扩散模型进行文本到CT生成

标题: Text-to-CT Generation via 3D Latent Diffusion Model with Contrastive Vision-Language Pretraining

Authors:Daniele Molino, Camillo Maria Caruso, Filippo Ruffini, Paolo Soda, Valerio Guarrasi
摘要: 目标:虽然近期在文本条件生成模型方面的进展已经实现了逼真的医学图像合成,但这些进步主要局限于二维成像模态(如胸部X光片)。将文本到图像的生成扩展到体积计算断层扫描(CT)仍然是一项重大挑战,因为三维医学成像具有高维度性、解剖复杂性,并且缺乏能够对齐视觉语言数据的稳健框架。 方法:我们提出了一种用于文本到CT生成的新架构,结合了潜在扩散模型和三维对比视觉语言预训练方案。我们的方法利用双编码器CLIP风格模型(该模型基于配对的CT体积和放射学报告进行训练),以建立共享嵌入空间,作为生成的条件输入。通过预训练的体积VAE,CT体积被压缩到低维潜在空间,从而实现高效的三维去噪扩散,无需外部超分辨率阶段。 结果:我们在CT-RATE数据集上评估了我们的方法,并对图像保真度、临床相关性和语义对齐进行了全面评估。我们的模型在所有任务中都表现出竞争性能,显著优于先前的文本到CT生成基线。此外,我们证明了由我们的框架合成的CT扫描可以有效增强真实数据,提高下游诊断性能。 结论:我们的研究表明,特定模态的视觉语言对齐是高质量三维医学图像生成的关键组成部分。通过整合对比预训练和体积扩散,我们的方法提供了一种可扩展且可控的解决方案,可以从文本中合成具有临床意义的CT体积,为数据增强、医学教育和自动化临床模拟开辟了新的应用领域。
摘要: Objective: While recent advances in text-conditioned generative models have enabled the synthesis of realistic medical images, progress has been largely confined to 2D modalities such as chest X-rays. Extending text-to-image generation to volumetric Computed Tomography (CT) remains a significant challenge, due to its high dimensionality, anatomical complexity, and the absence of robust frameworks that align vision-language data in 3D medical imaging. Methods: We introduce a novel architecture for Text-to-CT generation that combines a latent diffusion model with a 3D contrastive vision-language pretraining scheme. Our approach leverages a dual-encoder CLIP-style model trained on paired CT volumes and radiology reports to establish a shared embedding space, which serves as the conditioning input for generation. CT volumes are compressed into a low-dimensional latent space via a pretrained volumetric VAE, enabling efficient 3D denoising diffusion without requiring external super-resolution stages. Results: We evaluate our method on the CT-RATE dataset and conduct a comprehensive assessment of image fidelity, clinical relevance, and semantic alignment. Our model achieves competitive performance across all tasks, significantly outperforming prior baselines for text-to-CT generation. Moreover, we demonstrate that CT scans synthesized by our framework can effectively augment real data, improving downstream diagnostic performance. Conclusion: Our results show that modality-specific vision-language alignment is a key component for high-quality 3D medical image generation. By integrating contrastive pretraining and volumetric diffusion, our method offers a scalable and controllable solution for synthesizing clinically meaningful CT volumes from text, paving the way for new applications in data augmentation, medical education, and automated clinical simulation.
主题: 计算机视觉与模式识别 (cs.CV) ; 人工智能 (cs.AI)
引用方式: arXiv:2506.00633 [cs.CV]
  (或者 arXiv:2506.00633v1 [cs.CV] 对于此版本)
  https://doi.org/10.48550/arXiv.2506.00633
通过 DataCite 发表的 arXiv DOI

提交历史

来自: Daniele Molino [查看电子邮件]
[v1] 星期六, 2025 年 5 月 31 日 16:41:55 UTC (3,171 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • HTML(实验性)
  • TeX 源代码
  • 其他格式
许可图标 查看许可
当前浏览上下文:
cs.CV
< 上一篇   |   下一篇 >
新的 | 最近的 | 2025-06
切换浏览方式为:
cs
cs.AI

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

与本文相关的代码,数据和媒体

alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)

演示

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

arXivLabs:与社区合作伙伴的实验项目

arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。

与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。

有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号