扩散概率模型在医学图像上击败 GAN
图像与视频处理
2023-09-04 v1 计算机视觉与模式识别
摘要
深度学习的成功应用关键取决于底层训练数据的质量和规模。生成对抗网络（GAN）可生成任意大规模数据集，但多样性和保真度有限，这最近被去噪扩散概率模型（DDPM）所解决，其在自然图像上的优越性已得到证明。在本研究中，我们提出 Medfusion，一种用于医学图像的条件潜空间 DDPM。我们将基于 DDPM 的模型与基于 GAN 的模型进行比较，后者构成了医学领域的当前最优。Medfusion 在以下数据上训练并比较：（i）来自 AIROGS 挑战数据集的 n=101,442 张图像，用于生成有/无青光眼的眼底镜图像；（ii）来自 CheXpert 数据集的 n=191,027 张图像，用于生成有/无心脏肥大的射线照片；（iii）来自 CRCMS 数据集的 n=19,557 张图像，用于生成有/无微卫星稳定性的组织病理学图像。在 AIROGS、CRMCS 和 CheXpert 数据集上，Medfusion 取得了比 GAN 更低（=更好）的 FID（11.63 对比 20.43、30.03 对比 49.26 和 17.28 对比 84.31）。此外，Medfusion 在全部三个数据集上的保真度（precision）和多样性（recall）也更高（=更好）。我们的研究表明，DDPM 是医学领域图像合成优于 GAN 的替代方案。
引用
@article{arxiv.2212.07501,
title = {Diffusion Probabilistic Models beat GANs on Medical Images},
author = {Gustav Müller-Franzes and Jan Moritz Niehues and Firas Khader and Soroosh Tayebi Arasteh and Christoph Haarburger and Christiane Kuhl and Tianci Wang and Tianyu Han and Sven Nebelung and Jakob Nikolas Kather and Daniel Truhn},
journal= {arXiv preprint arXiv:2212.07501},
year = {2023}
}