基于扩散模型的数据增强用于增强神经元分割
计算机视觉与模式识别
2026-01-23 v1
摘要
电子显微镜（EM）中的神经元分割旨在重建完整的神经元连接组；然而，当前基于深度学习的方法受限于其对大规模训练数据和大量耗时的人工标注的依赖。传统方法通过几何和光度变换来扩充训练集；然而，生成的样本与原始图像仍然高度相关，缺乏结构多样性。为解决这一局限性，我们提出了一种基于扩散的数据增强框架，能够生成多样且结构合理的图像-标签对，用于神经元分割。具体而言，该框架采用了一个分辨率感知的条件扩散模型，该模型具有多尺度条件和EM分辨率先验，以实现从3D掩码进行体素级图像合成。它进一步整合了一个生物学引导的掩码重塑模块，该模块生成具有增强结构真实感的增强掩码。这些组件共同有效地丰富了训练集并提高了分割性能。在低标注条件下的AC3和AC4数据集上，当结合两种不同的后处理方法时，我们的方法将ARAND指标分别提高了32.1%和30.7%。我们的代码可在https://github.com/HeadLiuYun/NeuroDiff获取。
引用
@article{arxiv.2601.15779,
title = {Diffusion Model-Based Data Augmentation for Enhanced Neuron Segmentation},
author = {Liuyun Jiang and Yanchao Zhang and Jinyue Guo and Yizhuo Lu and Ruining Zhou and Hua Han},
journal= {arXiv preprint arXiv:2601.15779},
year = {2026}
}