利用潜在扩散模型提升非酒精性脂肪性肝病分类性能
计算机视觉与模式识别
2023-11-16 v2 人工智能
摘要
将深度学习与临床专业知识相结合，在应对医疗挑战并为医学专业人员提供改进诊断工具方面具有巨大潜力。然而，对标注医学图像的需求常成为充分发挥机器学习模型能力的障碍。我们的研究表明，通过将使用扩散模型生成的合成图像与真实图像相结合，即使在低数据量场景下，也能提升非酒精性脂肪性肝病（NAFLD）分类性能。我们通过比较两个指标来评估合成图像的质量：在扩散模型与生成对抗网络（GAN）生成的图像上计算的 Inception Score (IS) 与 Fréchet Inception Distance (FID)。我们的结果显示扩散生成图像具有更优性能，其最高 IS 得分为 ，而 GAN 为 ；最低 FID 得分为 ，而 GAN 为 。利用部分冻结的 CNN 骨干网络（EfficientNet v1），我们的合成增强方法在 NAFLD 预测任务上取得了最高图像级 ROC AUC 为 。
引用
@article{arxiv.2307.06507,
title = {Improving Nonalcoholic Fatty Liver Disease Classification Performance With Latent Diffusion Models},
author = {Romain Hardy and Joe Klepich and Ryan Mitchell and Steve Hall and Jericho Villareal and Cornelia Ilin},
journal= {arXiv preprint arXiv:2307.06507},
year = {2023}
}
备注
36 pages, 13 figures