.png){kind=icon}
返回
CtrlEndoDiff: Diffusion-Based Synthetic Image Generation for Enhanced ACF Segmentation
.png){kind=icon}
PRE
AI
DOI：10.1007/978-3-032-05472-2_31.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
腺管畸形焦点（ACFs）被认为是结直肠新生物的早期标志物，但由于标注数据有限和病灶多样性大，其分割仍具挑战性。我们提出了一种基于扩散的合成增强框架，用于在多种伪影条件和形状下生成逼真的ACF图像。通过在多类别掩码（血液、染料和废弃物）和深度提示的条件下训练去噪扩散概率模型，我们的方法扩展了小规模ACF数据集在形态和语境上的多样性。我们在五种分割架构上评估性能提升：三种卷积网络（U-Net、U-Net++和DeepLab V3+）以及两种基于Transformer骨干的模型（TransNetR和PVT CASCADE）。实验结果表明，结构较简单的CNN模型在测试Dice指标上获得最显著的提升（例如U-Net提升22.1%），DeepLab V3+提升8.4%。基于Transformer骨干的架构也受益，TransNetR提升0.6%，PVT-CASCADE提升2.7%。定性评估确认，扩散生成的图像复制了标注伪影，并减少了因训练数据有限而通常导致的性能下降。我们的结果表明，CtrlEndoDiff通过在训练过程中添加视觉上逼真的合成样本，提高了ACF分割精度。
Keyword:
ACF segmentation
Diffusion model
Endoscopic imaging
期刊
D
IF:
0
论文数:
28
被引数:
0
机构
引用论文
Yang, L.; Kang, B.; Huang, Z.; Zhao, Z.; Xu, X.; Feng, J.; Zhao, H. Depth Anything V2. In Proceedings of the 38th Conference on Neural Information Processing Systems (NeurIPS 2024), Vancouver, BC, Canada, 9–15 December 2024. [Google Scholar] [CrossRef]Yang, L.; Kang, B.; Huang, Z.; Zhao, Z.; Xu, X.; Feng, J.; Zhao, H. Depth Anything V2. 在第38届神经信息处理系统会议（NeurIPS 2024）会议录中，温哥华，BC，加拿大，2024年12月9-15日。 [Google Scholar] [CrossRef].png)
IF0
PREAI
分享收藏
查看更多内容