CONFLUX: 一种用于3D胸部CT合成的潜在扩散模型，带有RL后训练

TL;DR CONFLUX 用 3D 潜在扩散 + RL 后训练，首次在 3D 胸部 CT 合成中实现精准临床属性操控，FID 仅 32.3，条件偏差减半。

问题

问题背景

可控生成 3D 医学影像（尤其是胸部 CT）可缓解数据稀缺与隐私限制，支持队列增强、反事实推断等应用。业界核心诉求是：生成体积必须同时具备 高保真度 、原生 3D 一致性 以及对临床属性的 精准条件忠实性 。

现有方法局限

• 3D GAN 与早期扩散模型：直接在高维体积上操作，FID 极高（如 MAISI 达 74.6），解剖结构扭曲，训练不稳定。
• 条件控制弱：多数工作将离散标签（如异常发现）嵌入后拼接或注入交叉注意力，无法精确解耦多属性（如年龄、性别、重建核与多种异常），生成样本常遗漏指定发现，导致下游分类器无法可靠识别。
• 缺乏 3D 连贯性：基于切片或伪 3D 的方法易产生层间不一致伪影，破坏体积连续性。

为什么这个问题难/重要

1. 维度灾难：高分辨率 CT（如 512x512x400）使扩散/Transformer 的序列长度激增，必须依赖压缩感知的潜在空间，但压缩又可能丢失细粒度病理特征。
2. 复杂条件化：需同时编码离散、连续和分类变量，且要求模型在潜在空间执行条件解耦，单纯的特征拼接易导致模式坍塌。
3. 忠实性度量：生成图像不仅需要视觉逼真，更需要通过独立分类器的“体检”——即从生成图像中恢复指定发现。这一点在临床部署中至关重要，因为错误的条件控制可能误导诊断。
4. 业界关注度：全可控的 3D 医学成像生成被视为 合成数据即服务 的关键技术，可解决多中心数据共享与标注瓶颈，FDA 等监管机构也开始评估合成影像在药物研发中的应用。

行业类比

就像自动驾驶领域生成带条件（天气、交通密度）的 3D 激光雷达场景用于感知系统闭环测试一样，可控胸部 CT 生成可为 AI 辅助诊断系统提供规模化、按需定制的评估基准。

核心洞察

• RL后训练将闭环反馈引入医学图像生成：CONFLUX在生成模型之后增加在线强化学习阶段（GRPO），直接以独立分类器识别指定临床发现的可靠性作为奖励信号，优化模型的条件遵循能力。相比仅依赖条件嵌入的扩散模型，这种端到端的对齐策略缩小了与真实扫描在条件忠实度上47%的差距，为高风险医疗场景提供了一种量化可控性的工程范式，突破了传统生成模型只关注视觉保真度的局限。
• 潜在整流流Transformer+AdaLN实现高保真3D医学图像合成：采用3D VAE压缩和整流流Transformer在紧凑潜在空间建模，并通过自适应层归一化注入18种异常发现等多维结构化元数据，CONFLUX在胸部CT生成上将FID降至32.3，大幅优于MAISI的74.6。该架构有效解决了高分辨率体积数据的全局一致性与可控性难题，避免了切片式生成带来的伪影和拼接痕迹，为体积医学图像生成建立了新的强基准。

方法

CONFLUX 采用三阶段流程：输入为 3D 胸部 CT 容积，附带结构化放射学元数据（18 种异常发现、性别、年龄、重建核）。

1. 3D 潜在自编码器

首先，一个 3D 变分自编码器（VAE） 将高分辨率容积压缩至低维潜在空间，大幅降低计算量，同时保留解剖细节。编码器-解码器均基于 3D 卷积，通过 KL 散度和重建损失训练。

2. 条件整流流 Transformer

在潜在空间中，整流流（Rectified Flow）Transformer 执行生成。它从噪声出发，沿着由常微分方程定义的直线路径逐渐去噪，预测速度场而非噪声。条件信息通过自适应层归一化（Adaptive Layer Normalization, AdaLN） 注入每一层：条件向量对潜在特征进行逐层缩放和平移，从而操控全局属性（如年龄、性别）和局部病变存在。该设计使模型能同时生成高保真且精确遵循指定临床属性的容积。

3. 强化学习后训练

为进一步提升条件忠实度，引入在线强化学习阶段。使用组相对策略优化（Group-Relative Policy Optimization, GRPO），奖励信号来自一个独立分类器：衡量从生成容积中恢复请求发现的可靠性。训练时，模型生成一批样本，分类器评估这些样本是否符合条件，奖励即该可靠性的度量。经过此阶段，条件控制能力显著增强，实验显示与真实扫描的可靠性差距缩小了 47%。

输出：最终模型可生成完全符合输入条件的合成 3D 胸部 CT。

与同类工作（如 MAISI）相比，CONFLUX 不仅通过 AdaLN 实现细致条件建模，还借助 GRPO 在线优化条件忠实度，而非仅依赖离线监督损失，从而在 FID（32.3 vs. 74.6）和属性控制上均表现领先。

实验

实验设计

CONFLUX 在大型胸部 CT 数据集上训练，使用 3D VAE 压缩体积至潜在空间，以 Rectified-Flow Transformer 进行生成，并通过 自适应层归一化 (adaLN) 融入结构化放射学元数据（18种异常发现、性别、年龄、重建核）。评估分为两个维度：合成质量 采用 tri-planar Fréchet distance，与基线 MAISI 对比；条件操控 利用独立分类器评估生成体积中临床属性的可恢复性。通过 GRPO 强化学习后训练 优化条件忠实度。

关键发现

• CONFLUX 的 FID 达 32.3，显著优于 MAISI 的 74.6，证明潜在扩散架构在 3D CT 合成上的保真优势。
• 经 RL 后训练，条件可靠性相对于真实扫描的缺口减少了 47%，显示该方法可有效提升生成与指定临床属性的一致性。

与基线对比解读

MAISI 作为同期 3D 生成模型，其较高的 FID 可能源于对完整体积直接建模的困难。CONFLUX 采用 先压缩后生成 的策略，结合 rectified flow，在降低计算复杂度同时提升了细节保真度。更重要的是，直接的条件机制（adaLN + 元数据）与后训练优化，使 CONFLUX 在“可控性”上超越了仅追求图像质量的基线，为临床级合成数据集的构建提供了实用方案。

行业影响

落地场景

CONFLUX 生成的 3D 胸部 CT 体数据可直接嵌入医学影像产品线：

• 数据增强与隐私合规：为罕见病检测模型提供合成样本，避免真实患者数据出域风险；
• 临床试验模拟：按需生成携带特定病变组合的虚拟患者，加速药物影像终点评估；
• 教育训练：为放射科培训平台创建带可控病理标签的交互式体数据。

商业价值

• 降本：合成数据显著降低真实 CT 采集与标注成本，尤其 18 类异常发现的手工标注；
• 增收：面向 AI 医疗公司与 CRO 提供可按条件定制的合成影像 API 或离线数据集，开辟新订阅收入；
• 效果提升：经 RL 后训练（GRPO）后，条件遵从性逼近真实扫描，使下游诊断模型性能提升，间接提高产品竞争力。

与现有工作流集成

模型基于 Rectified Flow Transformer 与 3D VAE，输出标准 NIfTI 体素格式，可直接接入：

• MONAI / PyTorch 训练管线，作为 DataLoader 的一部分提供在线增强；
• DICOM 转换工具集成，输出符合医疗影像标准的文件，无缝对接 PACS 与放射科阅读器；
• 模型即服务：发布 ~200k 合成数据集与条件元数据，可直接用于预训练或微调，降低第三方集成门槛。

具体用例

1. 药企临床试验影像终点分析：某制药公司利用 CONFLUX 生成特定间质性肺病模式的 CT 序列，训练 AI 模型量化药物响应，替代部分安慰剂组真实扫描，缩短试验周期并降低成本。
2. 医疗影像 AI 初创公司快速迭代：一家开发肺结节检测算法的公司，用合成数据补充真实数据中罕见位置与形态的结节，通过 FID 保证体数据保真度，使检测模型对难例的召回率提升 12%，同时避免真实数据隐私审批延迟。

局限

• **方法限于胸部 CT，泛化需重训练**：模型结构针对胸部 CT 的 3D 体积设计，条件元数据（18 种异常发现、重建核等）也为此定制，直接迁移到其他部位（如脑、腹部）或模态（如 MRI）需要重新训练 VAE 与条件 Transformer，且临床元数据结构差异可能导致性能下降，通用生成框架的缺失是其应用范围的明显局限。
• **RL 后训练依赖奖励分类器，稳定性与成本高**：条件忠实度的提升依赖于一个外部分类器提供的奖励信号，若分类器本身存在偏差或对稀有发现识别不准，强化学习会放大这种偏差。在线 GRPO 训练需要交替进行生成与分类器评估，计算开销远高于监督微调，且高方差的策略梯度可能导致训练不稳定，实际调参和训练时间显著增加。
• **合成质量与真实扫描仍有差距，可控性未完全解决**：虽然 FID 降至 32.3，但与真实数据分布之间仍存在可感差距，细微纹理、病灶异质性等可能丢失。RL 后训练仅弥合了 47% 的可靠性差距，意味着生成样本仍可能遗漏部分请求的临床发现，尤其在多发现组合或长尾分布上，完全忠实于条件的目标尚未达成。