D-Cube：利用扩散模型超特征实现鲁棒的医学分类
计算机视觉与模式识别
2024-11-19 v1
摘要
深度学习技术在医学影像中的集成旨在提高癌症诊断的效率和准确性，特别是对于胰腺癌和乳腺癌，由于其高死亡率和复杂的影像学特征，这些癌症的诊断面临重大挑战。本文提出了 Diffusion-Driven Diagnosis (D-Cube)，这是一种利用扩散模型的超特征并结合对比学习来改善癌症诊断的新方法。D-Cube 采用了先进的特征选择技术，利用扩散模型强大的表示能力，在数据不平衡和样本可用性有限等挑战性条件下增强了医学数据集的分类性能。特征选择过程优化了临床相关特征的提取，显著提高了分类准确性，并在数据不平衡和有限场景中展现出鲁棒性。实验结果验证了 D-Cube 在多种医学成像模态（包括 CT、MRI 和 X 射线）上的有效性，与现有的基线模型相比表现出优越的性能。D-Cube 代表了一种癌症检测的新策略，采用先进的深度学习技术来实现 SOTA 的诊断准确性和效率。
引用
@article{arxiv.2411.11087,
title = {D-Cube: Exploiting Hyper-Features of Diffusion Model for Robust Medical Classification},
author = {Minhee Jang and Juheon Son and Thanaporn Viriyasaranon and Junho Kim and Jang-Hwan Choi},
journal= {arXiv preprint arXiv:2411.11087},
year = {2024}
}
备注
10 pages, 2 figures