Journal of imaging informatics in medicine 2026年9月15日该工作提出 LOCUS-Diff 生成式框架，通过甲状腺超声合成基础模型、结节空间控制分支与 COMB 标签校正机制，在 TN5000 与 TN3k 数据集上生成经资深临床专家视觉图灵测试认可的高质量合成样本，并在下游结节检测任务中持续优于现有最优方法，且用仅含 60% 真实数据的训练子集加合成样本即可获得高于全量真实数据训练的 mAP。该工作提出 LOCUS-Diff 生成式框架，通过甲状腺超声合成基础模型、结节空间控制分支与 COMB 标签校正机制，在 TN5000 与 TN3k 数据集上生成经资深临床专家视觉图灵测试认可的高质量合成样本，并在下游结节检测任务中持续优于现有最优方法，且用仅含 60% 真实数据的训练子集加合成样本即可获得高于全量真实数据训练的 mAP。LOCUS-Diff：位置可控的甲状腺超声合成以提升结节检测该工作提出 LOCUS-Diff 生成式框架，通过甲状腺超声合成基础模型、结节空间控制分支与 COMB 标签校正机制，在 TN5000 与 TN3k 数据集上生成经资深临床专家视觉图灵测试认可的高质量合成样本，并在下游结节检测任务中持续优于现有最优方法，且用仅含 60% 真实数据的训练子集加合成样本即可获得高于全量真实数据训练的 mAP。该工作提出 LOCUS-Diff 生成式框架，通过甲状腺超声合成基础模型、结节空间控制分支与 COMB 标签校正机制，在 TN5000 与 TN3k 数据集上生成经资深临床专家视觉图灵测试认可的高质量合成样本，并在下游结节检测任务中持续优于现有最优方法，且用仅含 60% 真实数据的训练子集加合成样本即可获得高于全量真实数据训练的 mAP。