通过布局感知生成建模提升视网膜血管分割的泛化能力
计算机视觉与模式识别
2025-04-08 v2
摘要
医学分割模型的泛化能力受限于数据集有限和成像变异性。为此，我们提出了一种基于扩散模型的 novel 框架，用于生成可控的布局感知图像，即Retinal Layout-Aware Diffusion (RLAD)。RLAD条件化于从真实图像中提取的多个关键布局组件，确保高结构保真度，同时在其他组件上实现多样性。应用于视网膜荧光图像，我们通过合成配对的视网膜图像和血管分割，条件于从真实图像中提取的血管，同时变化其他布局组件，如病灶和视网膜色素斑点。实验表明，RLAD生成的数据在视网膜血管分割中提升了泛化能力，最高可达8.1%。此外，我们提出REYIA，一个包含586幅手工分割视网膜图像的综合数据集。为促进可重复性和推动创新，我们的代码和数据集将公开获取。
引用
@article{arxiv.2503.01190,
title = {Enhancing Retinal Vessel Segmentation Generalization via Layout-Aware Generative Modelling},
author = {Jonathan Fhima and Jan Van Eijgen and Lennert Beeckmans and Thomas Jacobs and Moti Freiman and Luis Filipe Nakayama and Ingeborg Stalmans and Chaim Baskin and Joachim A. Behar},
journal= {arXiv preprint arXiv:2503.01190},
year = {2025}
}