LOCUS-Diff：位置可控的甲状腺超声合成以提升结节检测
核心概要
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。
深度剖析
提出面向目标检测的甲状腺超声合成框架 LOCUS-Diff，整合三个模块：捕捉声学纹理与病理语义的合成基础模型、通过显式几何约束提供稳定空间控制的结节空间控制分支，以及自适应校准标签的 COMB（Correction Of Misaligned Boxes）机制。 相对以往生成方法，该框架将空间可控性与标签噪声校正纳入同一合成流程，专门服务于下游目标检测而非仅追求图像逼真度。 文中以模块化设计描述该框架，并说明 COMB 用于消除标签噪声；具体实现细节在所提供的摘要性文本中未展开。
资深临床专家开展的严格视觉图灵测试确认 LOCUS-Diff 生成的样本在解剖学上合理、可与真实扫描相媲美，并在视觉质量上优于其他先进方法。 将临床专家评估作为合成质量证据，而非仅依赖自动指标。 证据来自资深临床专家的视觉图灵测试，属于专家主观评判；文本未给出测试规模或统计量。
在 TN5000 与 TN3k 数据集上的大量实验显示，LOCUS-Diff 在下游检测任务中持续优于现有最优方法。 把合成质量转化为下游检测性能的提升，而不仅是图像层面的改进。 基于两个具名数据集（TN5000、TN3k）的实验对比，文本报告为持续优于 state-of-the-art，但未列出具体数值。
仅含 60% 真实数据的训练子集加入合成样本后，其 mAP 高于使用全量真实数据训练的结果，体现数据效率提升。 说明合成样本可在减少真实数据需求的情况下维持甚至提升检测性能。 以 mAP 作为比较指标，属于定量结果；文本未给出具体 mAP 数值与置信区间。
启示与展望
该工作面向甲状腺超声结节检测这一具体场景，适用于受隐私法规、标注成本与恶性样本稀少限制而难以构建大规模高质量数据集的医学影像研究环境；其价值在于为数据稀缺条件下的检测模型训练提供合成增强路径，并为其他需要空间可控合成的检测任务提供可借鉴的模块化思路。
所提供文本为摘要性内容，缺少具体 mAP 数值、视觉图灵测试的专家人数与评判标准、TN5000 与 TN3k 的规模与划分方式，以及 COMB 的具体算法细节；这些信息会影响对合成质量与数据效率提升幅度的判断，需查阅原文图表与实验设置。此外，合成样本在真实临床工作流中的泛化表现仍有待进一步观察。