知识卡片：OTLesMix——基于Wasserstein重心与最优输运图的合成病灶生成方法

一句话结论

OTLesMix 利用 Wasserstein 重心和最优输运图合成具有更多样形状与位置的医学病灶图像，在三个脑病灶分割任务上将 Dice 分数相对无合成数据训练提升 2.9～6.6 个百分点，并超越现有基于混合（mix-based）的 SOTA 方法。

事件概述或研究问题

• 背景：深度学习推动了医学影像分割，数据增强是提升模型训练的重要手段，包括简单变换（空间操作、强度修改）和更高级的合成技术。
• 现有问题：多种基于混合真实样本的合成策略，生成的病灶在形状和位置上的变异性有限。
• 研究问题：如何生成更真实且更多样的病灶样本，以进一步改善分割模型训练？

方法/产品要点

• 方法名称：OTLesMix。
• 核心思想：结合 Wasserstein 重心（Wasserstein barycenter）与最优输运图（optimal transport plan）。
• 功能：从现有数据集中生成新的现实感样本，扩增训练图像多样性，特别是病灶的形状与位置多样性。
• 评估方式：在三个脑病灶分割任务上与“无合成数据训练”和“现有 SOTA mix-based 方法”进行对比。

主要结果或产业意义

• 相比不使用合成数据训练的模型，OTLesMix 将 Dice 分数提高 2.9～6.6 个百分点。
• 性能优于现有最先进的基于混合的合成方法。
• 产业意义：为医学图像分割中训练数据不足、病灶形态多样的情况提供了一种数据增强新选项。

为什么重要

• 弥补现有混合类数据增强在病灶形状和位置多样性上的不足。
• 为最优输运理论在医学图像合成中的应用提供了新的实证。
• 与已有“最优输运图像表示用于控制阀粘滞检测”卡片不同：后者面向工业异常检测的域适应，本卡片面向医学影像病灶合成与分割增强；二者虽都用 OT 思想，但任务、方法和评估指标均不同，属于 OT 在不同领域的新增应用。

局限与不确定性

• 摘要未给出三个脑病灶分割任务的具体名称、数据集规模和病灶类型，待核实。
• 未提供与现有方法对比的详细数值、消融实验或统计显著性信息，待核实。
• 未说明 OTLesMix 的计算成本、推理开销或对其他影像模态的泛化性，待核实。

可用于图书/PPT/简报的角度

• 从“数据增强的演进”切入：简单变换 → 混合策略 → 基于最优输运的病灶合成。
• 从“病灶多样性的价值”切入：说明形状和位置多样性对分割模型泛化的重要性。
• 从“最优输运在医学影像中的落地”切入：连接工业检测中的 OT 应用，展示跨领域迁移潜力。

原始材料

• 英文标题：OTLesMix: Wasserstein Barycenter and Optimal Transport Map for Synthetic Lesion Generation with Diverse Shapes and Locations
• 英文关键词：待核实（原文未提供结构化关键词）
• 原始来源：arXiv:2608.06264v1（https://arxiv.org/abs/2608.06264v1）
• 作者：Robin Trombetta, Carole Lartizien
• 发布/更新日期：2026-08-06
• 学术分类：cs.CV（含 cs.LG、eess.IV）

与既有脉络的关系

• 延续“最优输运在图像相关任务中的应用”这一脉络；相比已有控制阀粘滞检测卡片，本条是 OT 用于医学图像合成数据增强，面向分割性能提升，属于新任务和新方法。
• 在“数据增强/合成数据”脉络中，与“cgDDI 合成皮肤影像”属于不同模态与任务；OTLesMix 重点在脑病灶分割，且核心机制是 Wasserstein 重心与最优输运图，而非简单混合或扩散式生成，具体差异需依据原文进一步核实。