基于点-图像扩散的公平分割(FairDiff)

公平性是医学图像分析中的重要议题，这源于目标群体之间训练数据不平衡以及对公平医疗质量的社会需求。在此背景下，我们的研究采用数据驱动策略，通过整合合成图像来增强数据平衡。然而，关于生成合成图像，现有工作要么缺乏配对标签，要么无法精确控制合成图像的边界以与标签对齐。在此基础上，我们以联合优化方式来解决该问题，在该方式中优化了三个网络，以实现经验风险最小化和公平性最大化。在实现方面，我们的解决方案具有创新的点-图像扩散架构，该架构利用3D点云通过点-掩码-图像合成管道提高对掩码边界的控制。该方法在合成视网膜扫描激光光景图(SLO) Fundus图像方面显著优于现有技术。通过在训练阶段结合我们提出的等比例方法将合成数据与真实数据相结合，我们的模型在公平性分割性能上优于当前最先进的公平学习模型。代码已公开：https://github.com/wenyi-li/FairDiff。