ArSDM：基于自适应细化语义扩散模型的结肠镜图像合成
计算机视觉与模式识别
2023-09-06 v1
摘要
结肠镜分析，尤其是自动息肉分割与检测，对辅助临床诊断与治疗至关重要。然而，由于医学图像标注耗费大量人力与资源，标注数据的稀缺限制了现有方法的有效性与泛化能力。尽管近期研究聚焦于数据生成与增强以缓解该问题，生成数据的质量仍具挑战，限制了其对后续任务性能的贡献。受扩散模型在拟合数据分布与生成高质量数据方面优越性的启发，本文提出一种自适应细化语义扩散模型(ArSDM)以生成有益于下游任务的结肠镜图像。具体而言，ArSDM 在训练时利用真值分割掩码作为先验条件，并根据息肉/背景尺寸比为各输入调整扩散损失。此外，ArSDM 引入预训练分割模型，通过减小真值掩码与预测掩码间差异来细化训练过程。在分割与检测任务上的大量实验表明，ArSDM 生成的数据可显著提升基线方法的性能。
引用
@article{arxiv.2309.01111,
title = {ArSDM: Colonoscopy Images Synthesis with Adaptive Refinement Semantic Diffusion Models},
author = {Yuhao Du and Yuncheng Jiang and Shuangyi Tan and Xusheng Wu and Qi Dou and Zhen Li and Guanbin Li and Xiang Wan},
journal= {arXiv preprint arXiv:2309.01111},
year = {2023}
}
备注
Accepted by MICCAI-2023