Ctrl-GenAug：用于医学序列分类的可控生成性数据增强

在医学领域，大规模数据集的稀缺性和标注过程的高昂成本阻碍了深度模型的性能。扩散式生成性数据增强方法为解决这一问题提供了前景，已在推动下游医学识别任务方面取得显著效果。然而，现有工作在满足挑战性视频/3D 序列生成方面缺乏足够的语义和时序可调性，忽略了噪声合成样本的质量控制，导致合成数据库不可靠，严重限制了下游任务的性能。本文提出了 Ctrl-GenAug，一种新型且通用的生成性数据增强框架，实现高度语义和时序定制的序列合成，抑制错误合成样本，以辅助医学序列分类。具体而言，我们首先设计了多模态条件引导的序列生成器，以实现诊断促进样本的可控合成。集成了一个序列增强模块以增强生成样本的时序/立体一致性。随后，我们提出了一个噪声合成数据过滤器，用于在语义和时序水平抑制不可靠样本。在 3 个医学数据集上进行大量实验，使用 11 个网络在 3 种训练范式下进行综合分析，全面评估了 Ctrl-GenAug 的有效性和通用性，尤其是在欠representative 的高风险人群和跨域条件下。