.png){kind=icon}
返回
DiffBoost: Enhancing Medical Image Segmentation via Text-Guided Diffusion Model
.png){kind=icon}
OA
AI
DOI：10.1109/TMI.2024.3519307.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
大规模、多变异、高质量的数据对于开发用于医疗应用的鲁棒且成功的深度学习模型至关重要，因为它们能够潜在地实现更好的泛化性能并避免过拟合。然而，高质量标注数据的稀缺始终构成重大挑战。本文提出了一种新颖的方法来应对这一挑战，通过开发可控扩散模型进行医学图像合成，称为DiffBoost。我们利用最新的扩散概率模型，通过融入物体边缘信息来指导合成过程，生成逼真且多样化的合成医学图像数据，同时保留原始医学图像的关键特征。在我们的方法中，我们确保合成的样本符合医学相关的约束条件，并保留成像数据的底层结构。由于扩散模型的随机采样过程，我们可以生成任意数量的具有多样化外观的合成图像。为验证所提方法的有效性，我们在多个数据集上进行了广泛的医学图像分割实验，包括超声乳腺（+13.87%）、CT脾脏（+0.38%）和MRI前列腺（+7.78%），相较于基线分割方法取得了显著改进。这些有前景的结果证明了DiffBoost在医学图像分割任务中的有效性，并展示了引入首个文本引导扩散模型用于通用医学图像分割任务的可行性。通过精心设计的消融实验，我们研究了不同数据增强、超参数设置、生成随机合并掩码的补丁大小以及与不同网络架构的联合影响。源代码和检查点可在https://github.com/NUBagciLab/DiffBoost获取。
Keyword:
Medical image segmentation
image synthesis
data augmentation
score-based generative models
diffusion models
