基于条件去噪扩散生成模型的反事实MRI数据增强
图像与视频处理
2024-11-01 v1 人工智能
计算机视觉与模式识别
摘要
医学成像中的深度学习模型面临因图像获取参数（IAP）的变化导致的泛化性和鲁棒性挑战。本文引入一种新方法，使用条件去噪扩散生成模型（cDDGMs）生成模拟不同IAP的反事实磁共振（MR）图像，而不改变患者解剖结构。我们演示，使用这些反事实图像进行数据增强可提高分割精度，尤其是在超出分布的设置下，增强了深度学习模型在不同成像条件下的整体泛化性和鲁棒性。我们的方法在解决医学成像中的域迁移和协变量偏移方面显示出前景。该代码已在https://github.com/pedromorao/Counterfactual-MRI-Data-Augmentation 上公开。
引用
@article{arxiv.2410.23835,
title = {Counterfactual MRI Data Augmentation using Conditional Denoising Diffusion Generative Models},
author = {Pedro Morão and Joao Santinha and Yasna Forghani and Nuno Loução and Pedro Gouveia and Mario A. T. Figueiredo},
journal= {arXiv preprint arXiv:2410.23835},
year = {2024}
}