DiffBoost：通过文本引导扩散模型增强医学图像分割
计算机视觉与模式识别
2024-12-17 v2
摘要
大规模、大变异、高质量的数据对于开发稳健且成功的医学应用深度学习模型至关重要，因为它们潜在地能够实现更好的泛化性能并避免过拟合。然而，高质量标注数据的稀缺始终带来重大挑战。本文提出一种新方法，通过开发用于医学图像合成的可控扩散模型来应对该挑战，称为DiffBoost。我们利用近期的扩散概率模型生成逼真且多样的合成医学图像数据，通过引入物体边缘信息引导合成过程以保留原始医学图像的本质特征。在我们的方法中，我们确保合成样本遵循医学相关约束并保留成像数据的底层结构。由于扩散模型的随机采样过程，我们可以生成任意数量、外观多样的合成图像。为验证所提方法的有效性，我们在多个数据集上进行了广泛的医学图像分割实验，包括超声乳腺（+13.87%）、CT脾脏（+0.38%）和MRI前列腺（+7.78%），相较基线分割方法取得了显著改进。有前景的结果证明了我们的DiffBoost在医学图像分割任务上的有效性，并展示了引入首个文本引导扩散模型用于通用医学图像分割任务的可行性。通过精心设计的消融实验，我们研究了各种数据增强、超参数设置、用于生成随机合并掩码设置的块大小以及不同网络架构组合影响的作用。源代码见 https://github.com/NUBagciLab/DiffBoost。
引用
@article{arxiv.2310.12868,
title = {DiffBoost: Enhancing Medical Image Segmentation via Text-Guided Diffusion Model},
author = {Zheyuan Zhang and Lanhong Yao and Bin Wang and Debesh Jha and Gorkem Durak and Elif Keles and Alpay Medetalibeyoglu and Ulas Bagci},
journal= {arXiv preprint arXiv:2310.12868},
year = {2024}
}
备注
Accepted by IEEE TRANSACTIONS ON MEDICAL IMAGING