【AAAI2026】GuideGen：用文本引导生成全躯干 CT 图像与解剖掩码的前沿方法解析

【AAAI2026】GuideGen：用文本引导生成全躯干 CT 图像与解剖掩码的前沿方法解析

在医学影像人工智能领域，高质量标注数据一直是训练深度学习模型的瓶颈。传统方法中，生成 CT 图像通常只关注局部器官或固定区域，而对全躯干的多器官和病灶生成存在困难。GuideGen 提出了一种创新框架，通过结构化文本 prompt，结合分类扩散（categorical diffusion）和 HDR 自编码器，实现全躯干 CT 图像与对应解剖掩码的渐进式生成，为多器官分割和肿瘤检测提供高质量合成数据。

论文图1是GuideGen整体框架，展示文本条件输入→mask latent→HDR autoencoder→latent-guided diffusion→CT输出的生成流程。为了方便读者理解，重绘了一幅图。

GuideGen的优势是什么？

在传统方法中，生成医学影像通常只关注局部器官或固定区域，难以覆盖全躯干。而在临床应用中，研究者不仅需要图像，更需要与图像严格对齐的掩码来训练分割模型或进行多器官分析。GuideGen 的创新在于：

1. 分阶段生成：先生成 mask latent，再生成 CT latent，最后解码为全躯干 CT 图像；
2. 文本条件控制：用户可以通过结构化 prompt 指定器官、肿瘤数量及位置；
3. 高保真结构和细节：HDR autoencoder 保留高低强度差异，保持骨骼、软组织和肿瘤细节。

在生成过程中，mask latent 在潜空间中先行生成，然后作为结构指导参与 CT 图像生成，从而实现渐进式联合生成。

GuideGen 核心技术原理

1. Categorical Diffusion（分类扩散）

Mask latent 的生成采用categorical diffusion，这是 GuideGen 的核心创新之一。与普通 diffusion 处理连续值不同，mask 是离散类别 voxel，每个 voxel 可能属于 N 个类别（器官、肿瘤、背景）。

前向扩散过程逐步扰动 one-hot 类别分布：
q(xt∣xt−1)=(1−βt)e(xt−1)+βt1N q(x_t \mid x_{t-1}) = (1-\beta_t) e(x_{t-1}) + \beta_t \frac{1}{N}q(xt​∣xt−1​)=(1−βt​)e(xt−1​)+βt​N1​
其中e(xt−1)e(x_{t-1})e(xt−1​)是 one-hot 编码，βt\beta_tβt​是噪声权重。反向去噪由 UNet 模型预测每个 voxel 的类别概率x^t−1\hat{x}_{t-1}x^t−1​，优化 KL 散度：
LKL=Ex0,t[DKL(q(xt−1∣xt,x0)∥pθ(xt−1∣xt))] L_{KL} = \mathbb{E}_{x_0,t} \Big[D_{KL}\big(q(x_{t-1}\mid x_t,x_0) \parallel p_\theta(x_{t-1}\mid x_t)\big)\Big]LKL​=Ex0​,t​[DKL​(q(xt−1​∣xt​,x0​)∥pθ​(xt−1​∣xt​))]
Categorical diffusion 的优势在于直接生成离散 mask，保证边界清晰、语义一致，并为后续 CT 潜空间生成提供结构引导。相比连续 diffusion，mask 不会出现灰色或半透明类别，小器官和肿瘤边界保留更好。

2. HDR Autoencoder（解剖感知高动态范围自编码器）

输入是真实 CT 体积vvv与 mask latentm^\hat{m}m^。HDR autoencoder 对 CT 灰度进行 learnable scale & bias 映射，解决高动态范围（-1000 HU 至 +3000 HU）下低强度病灶被忽略的问题。编码器在每一层融合 mask latent，生成潜空间表示z0z_0z0​。

训练损失包括：
Lrec=∥D(E(v,m^))−v∥22,Lperc=∥ϕ(D(E(v,m^)))−ϕ(v)∥22 L_{rec} = \|D(E(v,\hat{m})) - v\|_2^2, \quad L_{perc} = \|\phi(D(E(v,\hat{m}))) - \phi(v)\|_2^2Lrec​=∥D(E(v,m^))−v∥22​,Lperc​=∥ϕ(D(E(v,m^)))−ϕ(v)∥22​
其中E/DE/DE/D分别为编码器/解码器，ϕ\phiϕ为感知特征提取器。

这里 mask latent 作为结构引导，使潜空间同时保留图像纹理和语义信息，为后续潜空间 diffusion 提供稳定结构。

3. Latent-guided Diffusion & Knowledge Injection

潜空间 diffusion 模块联合 mask latent、CT latent 和文本 latent，在 latent 空间逐步去噪生成最终 CT latent，再由 autoencoder 解码成 CT 图像。文本条件通过 cross-attention 注入 UNet 每一层：
zt−1=UNet(zt,etext,m^) z_{t-1} = UNet(z_t, e_{text}, \hat{m})zt−1​=UNet(zt​,etext​,m^)
Knowledge Injection 模块利用 transformer decoder 提取文本中任务相关信息，保证 mask-prompt 对齐，提高结构控制能力。

4. 开源代码对应模块

• train_mask_synthesizer.py：categorical diffusion UNet 训练，loss 为 KL divergence；
• autoencoder.py：HDR autoencoder 编码器和解码器，同时融合 mask latent；
• latent_diffusion.py：潜空间 3D UNet diffusion，实现 cross-attention 注入文本条件；
• knowledge_injection.py：提取任务相关文本知识并注入 UNet，保证 mask 与 prompt 对齐。

实验与结果

GuideGen 在全躯干 mask 与 CT 图像生成上优于 Pinaya、GenerateCT、MedSyn、MAISI 等基线。

GuideGen 在图像-语义 mask 对齐上 DSC 平均 0.65，明显高于 MedSyn 和 Zhuang’s 方法。

对下游任务多器官分割和肿瘤分割（BTCV、AMOS、MSD、KiTS21），GuideGen 生成样本训练的 nnU-Net 模型 Dice 分数明显优于其他生成方法，甚至部分指标可接近真实数据训练。

Ablation 实验显示，缺少 knowledge injection 或 HDR autoencoder 会明显降低 mask-prompt 对齐和下游分割性能。

图 2显示基于同一文本 prompt 的生成效果，GuideGen mask 标红，CT 图像清晰且器官结构合理。

图 3展示 tumor 数量与位置的 mask-prompt 对齐情况。

批判性分析

GuideGen 的优势在于全躯干生成、mask-prompt 对齐和渐进式生成，尤其是 categorical diffusion 保证了离散 mask 的精度。然而局限也很明显：

• 对structured prompt 依赖强，自由文本灵活性有限；
• 全躯干生成分辨率仅 128³，微小血管或肿瘤可能丢失；
• GPU 内存消耗高，训练 batch=1，VRAM > 20GB；
• 临床可用性和病理多样性尚未充分验证。

尽管如此，GuideGen 在 mask 对齐精度、下游多器官分割性能上领先现有方法，尤其适合稀缺数据增强和训练预训练模型。

总结

GuideGen 通过categorical diffusion → HDR autoencoder → latent-guided diffusion → Knowledge Injection的组合，实现了全躯干 CT 与掩码的渐进式生成。数学原理、潜空间建模、mask-prompt 对齐和可学习下采样等技术保证了生成数据的结构与语义一致性，为医学影像 AI 数据增强提供了可行的解决方案。