इस शोधपत्र में, हम दुर्लभ लेकिन चिकित्सकीय रूप से महत्वपूर्ण चिकित्सा छवि विधाओं के लिए चिकित्सा छवि विभाजन मॉडलों के प्रशिक्षण में एनोटेटेड डेटा की कमी को दूर करने के लिए जनरेटिव मॉडलों का लाभ उठाने के तरीकों का पता लगाते हैं। विशेष रूप से एमआरआई पर ध्यान केंद्रित करते हुए, जिसमें एनोटेशन का अभाव होता है, हम तीन प्रमुख योगदान प्रस्तुत करते हैं। सबसे पहले, हम एमआरजेन-डीबी प्रस्तुत करते हैं, जो एक बड़े पैमाने का रेडियोलॉजी छवि टेक्स्ट डेटासेट है जिसमें विधा लेबल, विशेषताएँ, क्षेत्र और अंग जानकारी सहित समृद्ध मेटाडेटा और पिक्सेल-वार मास्क एनोटेशन का एक उपसमूह शामिल है। दूसरा, हम एमआरजेन प्रस्तुत करते हैं, जो टेक्स्ट प्रॉम्प्ट और सेगमेंटेशन मास्क पर आधारित एक प्रसार-आधारित डेटा इंजन है। एमआरजेन मास्क एनोटेशन रहित विभिन्न एमआरआई विधाओं के लिए यथार्थवादी चित्र उत्पन्न करता है, जिससे स्रोतों के अभाव वाले क्षेत्रों में सेगमेंटेशन प्रशिक्षण में सुविधा होती है। तीसरा, हम कई विधाओं पर व्यापक प्रयोगों के माध्यम से प्रदर्शित करते हैं कि एमआरजेन उच्च-गुणवत्ता वाले सिंथेटिक डेटा प्रदान करके बिना एनोटेशन वाले विधाओं के लिए सेगमेंटेशन प्रदर्शन में उल्लेखनीय सुधार करता है। यह कार्य उन परिदृश्यों में सेगमेंटेशन क्षमताओं का विस्तार करके चिकित्सा छवि विश्लेषण में एक महत्वपूर्ण कमी को दूर करता है जहाँ मैन्युअल एनोटेशन प्राप्त करना मुश्किल होता है। कोड, मॉडल और डेटा सार्वजनिक रूप से उपलब्ध कराए जाएंगे।
