使用生成模型处理小型且不平衡的医学图像数据集：DDPM 与 PGGANs 结合随机采样和贪婪 K 采样的比较研究
计算机视觉与模式识别
2025-10-30 v1 人工智能
摘要
准确医学图像分类模型的开发往往受到隐私问题和某些疾病数据稀缺的限制，导致数据集小且不平衡。为了解决这些限制，本研究探索了使用生成模型（如去噪扩散概率模型 (DDPM) 和渐进式生成对抗网络 (PGGANs)）进行数据集增强。该研究引入了一个框架，以评估 DDPM 和 PGGANs 生成的合成图像对四个模型性能的影响：定制 CNN、未训练 VGG16、预训练 VGG16 和预训练 ResNet50。实验使用随机采样和贪婪 K 采样创建小型、不平衡的数据集。使用 Frechet Inception Distance (FID) 评估合成图像，并通过分类指标与原始数据集进行比较。结果表明，DDPM 始终生成具有更低 FID 分数的更逼真图像，并且在改善所有模型和数据集的分类指标方面显著优于 PGGANs。将 DDPM 生成的图像纳入原始数据集可使准确率提高多达 6%，增强了模型的鲁棒性和稳定性，特别是在不平衡场景中。随机采样表现出优越的稳定性，而贪婪 K 采样以更高的 FID 分数为代价提供了多样性。本研究突出了 DDPM 在增强小型、不平衡医学图像数据集方面的有效性，通过平衡数据集和扩大其规模来提高模型性能。
引用
@article{arxiv.2412.12532,
title = {Addressing Small and Imbalanced Medical Image Datasets Using Generative Models: A Comparative Study of DDPM and PGGANs with Random and Greedy K Sampling},
author = {Iman Khazrak and Shakhnoza Takhirova and Mostafa M. Rezaee and Mehrdad Yadollahi and Robert C. Green and Shuteng Niu},
journal= {arXiv preprint arXiv:2412.12532},
year = {2025}
}