GAUDA: 基于生成式自适应不确定性引导的扩散模型数据增强用于手术分割
计算机视觉与模式识别
2025-07-02 v1 机器学习
摘要
通过生成式建模实现的数据增强为收集手术数据提供了有前景的替代方案, 但必须考虑伦理、组织和监管方面的限制。然而, 对于分割应用来说, 联合合成 (图像, 掩码) 对仍属较少探索的领域。我们提出学习 (图像, 掩码) 空间中语义完整且紧凑的潜在表示, 并联合建模这些表示。我们表明, 该方法能够有效地合成未见的高质量配对分割数据，具有显著的语义一致性。生成式数据增强通常通过合成固定数量的额外训练样本来预训练模型, 以提高下游任务模型的性能。为增强这一方法, 我们进一步提出了基于生成式自适应不确定性引导的扩散模型数据增强 (GAUDA), 利用贝叶斯下游模型的认识不确定性进行针对性在线合成。我们以不确定性估计较高的类别为条件, 生成这些类别的额外未见样本。通过在线灵活地利用生成式模型, 我们可以最小化额外训练样本的数量, 并将其集中在当前数据分布中最不确定的区域。GAUDA 在 CaDISv2 和 CholecSeg8k 两个主要的手术语义分割数据集上, 通过平均绝对 IoU 提升 1.6% 和 1.5%, 显著改善了下游分割结果。
关键词
引用
@article{arxiv.2501.10819,
title = {GAUDA: Generative Adaptive Uncertainty-guided Diffusion-based Augmentation for Surgical Segmentation},
author = {Yannik Frisch and Christina Bornberg and Moritz Fuchs and Anirban Mukhopadhyay},
journal= {arXiv preprint arXiv:2501.10819},
year = {2025}
}