Zhuhui Wang

医学影像合成常被当作“补一张缺失的模态”，但图像逼真并不等于对下游任务有用。一项跨五个公开数据集的研究把合成与任务学习绑在一起：翻译器在训练时用图像自适应的频率一致性约束结构细节，下游网络只在合成图像上的教师模型于带标签样本上优于学生时才接收其特征。在CycleGAN、CUT和SynDiff三种无配对翻译器上，翻译保真度指标均改善；脑肿瘤分割与病灶中心点检测也取得提升，且训练期组件在推理时被移除。

医学影像合成常被当作“补一张缺失的模态”，但图像逼真并不等于对下游任务有用。一项跨五个公开数据集的研究把合成与任务学习绑在一起：翻译器在训练时用图像自适应的频率一致性约束结构细节，下游网络只在合成图像上的教师模型于带标签样本上优于学生时才接收其特征。在CycleGAN、CUT和SynDiff三种无配对翻译器上，翻译保真度指标均改善；脑肿瘤分割与病灶中心点检测也取得提升，且训练期组件在推理时被移除。