.png){kind=icon}
返回
DiDGen: Diffusion-Based Dual-Task Synthesis for Dermoscopic Data Generation
.png){kind=icon}
PRE
AI
DOI：10.1007/978-3-032-05141-7_8.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
计算机辅助诊断（CAD）系统用于皮肤病变分析，可降低与皮肤病人工检查相关的成本和工作量。然而，基于深度学习（DL）的CAD系统的性能受限于标记数据的有限可用性，需要先进的数据库增强技术。为解决此限制，我们提出DiDGen方法，采用扩散模型（DMs）进行皮肤镜图像生成和病变-掩码对合成。具体而言，我们引入DermPrompt，一种包含由大型语言模型（LLMs）标注的临床细节的新型结构化文本提示，以促进DMs学习精细的视觉表示。此外，我们提出了一种新的病变-掩码对合成范式，通过在微调过程中引入区域感知注意力损失，以促进文本与视觉表示之间的语义连接建立，并结合测试时间布局指导与基于注意力的注释，以无训练方式合成多样且准确的病变-掩码对。大量实验表明，我们的方法提高了生成皮肤镜图像的质量和诊断效用，从而增强了DL模型在皮肤病变分类和分割任务中的性能。我们的代码可在https://github.com/junjie-shentu/DiDGen获取。
Keyword:
Dermoscopy
Diffusion Model
Skin Lesion Diagnosis
期刊
机构
引用论文
.png){kind=icon}
查看更多内容