본 논문은 희귀하지만 임상적으로 중요한 의료 영상 모달리티에 대한 의료 영상 분할 모델을 훈련하는 데 있어 어노테이션된 데이터 부족 문제를 해결하기 위해 생성 모델을 활용하는 방법을 연구합니다. 특히 어노테이션이 부족한 MRI에 초점을 맞춰, 세 가지 주요 공헌을 제시합니다. 첫째, 모달리티 레이블, 속성, 영역 및 장기 정보를 포함한 풍부한 메타데이터와 픽셀 단위 마스크 어노테이션이 포함된 하위 집합을 갖춘 대규모 방사선 영상 텍스트 데이터셋인 MRGen-DB를 소개합니다. 둘째, 텍스트 프롬프트와 분할 마스크를 조건으로 하는 확산 기반 데이터 엔진인 MRGen을 제시합니다. MRGen은 마스크 어노테이션이 부족한 다양한 MRI 모달리티에 대해 현실적인 이미지를 생성하여 소스가 부족한 영역에서 분할 훈련을 용이하게 합니다. 셋째, 여러 모달리티에 대한 광범위한 실험을 통해 MRGen이 고품질 합성 데이터를 제공함으로써 어노테이션되지 않은 모달리티에 대한 분할 성능을 크게 향상시킨다는 것을 보여줍니다. 본 연구는 수동 어노테이션을 얻기 어려운 시나리오로 분할 기능을 확장하여 의료 영상 분석의 중요한 간극을 해소합니다. 코드, 모델 및 데이터는 공개적으로 제공될 예정입니다.
