修复即所需:一种用于半监督医学图像分割的基于扩散的数据增强方法
计算机视觉与模式识别
2025-07-01 v1
摘要
为医学数据集收集像素级标签是一项耗时且成本高昂的工作,而在标注数据稀缺的情况下提升分割性能是一项关键挑战。本文提出 AugPaint,一种利用修复(inpainting)从有限标注数据生成图像-标签对的数据增强框架。AugPaint 利用潜在扩散模型(latent diffusion models),该模型以较低开销生成高质量的域内图像而著称,并针对修复任务对采样过程进行了适配,无需重新训练。具体而言,给定一对图像与标签掩码,我们裁剪出带有前景标注的区域,并在每个噪声水平下的反向去噪过程中以其为条件。被遮蔽的背景区域将逐步被填充,所有生成图像均与标签掩码成对出现。该方法确保了合成图像与标签掩码之间匹配的准确性,使其有别于现有的数据集生成方法。生成的图像可作为训练下游分割模型的宝贵监督信息,有效应对有限标注的挑战。我们在四个公开医学图像分割数据集(包括 CT、MRI 和皮肤成像)上对所提数据增强方法进行了广泛评估。所有数据集上的结果表明,AugPaint 优于当前最先进的标签高效方法,显著提升了分割性能。
引用
@article{arxiv.2506.23038,
title = {Inpainting is All You Need: A Diffusion-based Augmentation Method for Semi-supervised Medical Image Segmentation},
author = {Xinrong Hu and Yiyu Shi},
journal= {arXiv preprint arXiv:2506.23038},
year = {2025}
}