CONFLUX: Ein latentes Diffusionsmodell für die 3D-Brust-CT-Synthese mit RL-Post-Training

Zusammenfassung

Steuerbare generative Modelle von 3D-Medizinbildern können Volumina mit spezifizierten klinischen Attributen synthetisieren, erfordern jedoch Stichproben, die gleichzeitig hochtreu, nativ 3D und dem angeforderten Conditioning getreu sind. Wir stellen CONFLUX vor, ein latentes Diffusionsmodell für Computertomographie (CT) des Brustkorbs: Ein 3D-Variational-Autoencoder komprimiert jedes Volumen, und ein gleichgerichteter Strömungstransformator erzeugt im latenten Raum. Die Generierung wird durch adaptive Layer-Normalisierung auf strukturierte radiologische Metadaten (18 Anomaliebefunde, Geschlecht, Alter und Rekonstruktionskernel) konditioniert. Das Modell übertrifft starke volumetrische Basislinien hinsichtlich der triplanaren Fréchet-Distanz (FID 32,3 vs. 74,6 für MAISI) und bietet gleichzeitig direkte Kontrolle über klinische Attribute. Um diese Kontrolle zu verstärken, fügen wir eine Online-Verstärkungslern-Nachbearbeitungsphase (gruppenrelative Policy-Optimierung) hinzu, die belohnt, wie zuverlässig ein Klassifikator die angeforderten Befunde aus jedem erzeugten Volumen zurückgewinnt. Bewertet durch einen separaten, unabhängigen Klassifikator, beseitigt die Nachbearbeitung 47 % des Defizits im Vergleich zur Zuverlässigkeit echter Scans. Wir veröffentlichen das Modell sowie einen ~200k synthetischen Brust-CT-Datensatz mit Conditioning-Metadaten, die eine breite Palette klinischer Befunde abdecken.

English

Controllable generative models of 3D medical images can synthesize volumes with specified clinical attributes, but this demands samples that are simultaneously high-fidelity, natively 3D, and faithful to the requested conditioning. We present CONFLUX, a latent diffusion model for chest computed tomography (CT): a 3D variational autoencoder compresses each volume, and a rectified-flow transformer generates in the latent space. Generation is conditioned on structured radiological metadata (18 abnormality findings, sex, age, and reconstruction kernel) through adaptive layer normalization. The model leads strong volumetric baselines on tri-planar Frechet distance (FID 32.3 vs. 74.6 for MAISI) while exposing direct control over clinical attributes. To strengthen that control we add an online reinforcement-learning post-training stage (group-relative policy optimization) that rewards how reliably a classifier recovers the requested findings from each generated volume. Judged by a separate, independent classifier, post-training removes 47% of the shortfall relative to real-scan reliability. We release the model and a ~200k synthetic chest-CT dataset with conditioning metadata spanning a wide variety of clinical findings.