En este artículo, exploramos cómo aprovechar los modelos generativos para abordar la falta de datos anotados en el entrenamiento de modelos de segmentación de imágenes médicas para modalidades de imagen poco frecuentes, pero de importancia clínica. Centrándonos específicamente en la resonancia magnética (RM), que carece de anotaciones, presentamos tres contribuciones principales. En primer lugar, presentamos MRGen-DB, un conjunto de datos de texto de imágenes radiológicas a gran escala con metadatos completos que incluyen etiquetas de modalidad, atributos, regiones e información de órganos, así como un subconjunto de anotaciones de máscaras píxel por píxel. En segundo lugar, presentamos MRGen, un motor de datos basado en difusión basado en indicaciones de texto y máscaras de segmentación. MRGen genera imágenes realistas para diversas modalidades de RM que carecen de anotaciones de máscara, lo que facilita el entrenamiento de segmentación en áreas donde faltan fuentes. En tercer lugar, demostramos mediante experimentos exhaustivos en múltiples modalidades que MRGen mejora significativamente el rendimiento de la segmentación para modalidades no anotadas al proporcionar datos sintéticos de alta calidad. Este trabajo aborda una importante deficiencia en el análisis de imágenes médicas al ampliar las capacidades de segmentación a escenarios donde las anotaciones manuales son difíciles de obtener. El código, los modelos y los datos estarán disponibles públicamente.
