不确定性作为基于扩散模型的医学图像合成中语义正确性的代理指标

扩散模型能够从无对比剂 CT（NCCT）合成增强 CT（CECT），从而避免使用对比剂及其带来的环境成本和患者就医成本。然而，视觉上逼真的图像不一定在解剖学上正确，而用于评估生成质量的像素强度和特征空间相似度指标无法直接衡量解剖学正确性。在本研究中，我们探讨不确定性是否能够作为基于扩散模型的医学图像合成中语义正确性的代理指标。我们采用 AortaDiff 研究从 NCCT 到 CECT 的合成，该方法是一种多任务扩散框架，可联合生成 CECT 图像和管腔分割结果。分割输出为生成的血管解剖结构提供了明确表征，使得能够将基于分割结果的误差作为衡量生成正确性的定量指标。我们在像素、区域和图像三个层面，以及临床相关分布外（OOD）病例的检测任务中，对六种不确定性方法进行了比较，这些方法涵盖权重不确定性（Ensemble、HyperDiff、BayesDiff）、架构扰动不确定性（MCDropout）、生成随机性不确定性（RDS）和输入扰动不确定性（TTA）。不确定性在上述三个空间尺度上均具有信息量；在分布发生偏移的外部多中心数据集上仍然有效，并支持 OOD 检测。在六种方法中，MCDropout 表现突出：在每个尺度上都位居领先方法之列，在外部数据集上具有良好的泛化能力，并且可在任何已使用 dropout 训练的模型上于推理阶段启用，因此获得可靠的不确定性无需额外训练成本。不确定性能够可靠地标记严重失败，但难以在质量已经较高的图像之间进行有效区分。这些发现表明，在 NCCT 到 CECT 的合成中，不确定性是一种实用且计算经济的信号，可用于质量筛选、可靠性评估和 OOD 检测。