基于变分扩散模型的数据增强用于低数据情景下的结肠息肌定位：多少真实数据才足够？
计算机视觉与模式识别
2024-12-02 v1
摘要
医学领域的数据稀缺性阻碍了深度学习模型的性能。数据增强技术可缓解此问题，但通常依赖于对数据进行功能变换，且不保证保留原始任务。使用生成模型逼近数据分布是一种解决该问题的方法，同时可获得与原始数据相似的新样本。去噪扩散模型是一种有前景的深度学习技术，能够学习不同类型数据（如图像、时间序列或表格数据）的良好近似。自动结肠镜分析，特别是结肠息肌在结肠镜视频中的定位，可辅助临床诊断和治疗。针对深度学习模型训练标注视频帧的工作量较大，通常只能获得小型数据集。使用大规模生成数据微调应用模型可能是一种改善其性能的替代方案。我们进行了一系列实验，训练不同的扩散模型，可生成包含结肠镜图像和定位标注的联合数据，利用现有开放数据集的组合实现。生成的数据用于在低数据情景下进行various transfer learning实验，针对基于 YOLO v9 的息肌定位任务进行测试。
引用
@article{arxiv.2411.18926,
title = {Data Augmentation with Diffusion Models for Colon Polyp Localization on the Low Data Regime: How much real data is enough?},
author = {Adrian Tormos and Blanca Llauradó and Fernando Núñez and Axel Romero and Dario Garcia-Gasulla and Javier Béjar},
journal= {arXiv preprint arXiv:2411.18926},
year = {2024}
}