掩码条件扩散模型用于图像分析及其在婴儿受虐放射诊断中的应用
图像与视频处理
2023-11-27 v1 计算机视觉与模式识别
机器学习
摘要
干骺端经典损伤(CML)是一种特异于婴儿受虐的独特损伤，常发生于胫骨远端。为辅助放射科医生检测这些细微骨折，我们需要开发能标记异常胫骨远端放射影像(即含CML者)的模型。遗憾的是，此类模型的开发需要大型且多样的训练数据库，而这往往不可得。为应对此限制，我们提出一种用于数据增强的新颖生成模型。先前模型无法生成涵盖胫骨远端CML多样放射表现的数据，与之不同，我们提出的掩码条件扩散模型(MaC-DM)不仅生成逼真且广泛多样的含与不含CML的胫骨远端合成放射影像，还生成其关联的分割标签。为达成这些任务，MaC-DM将胫骨的加权分割掩码与CML骨折部位的加权分割掩码作为分类器引导的附加条件。我们模型增强的图像提升了ResNet-34在分类正常放射影像与含CML影像上的性能。此外，增强图像及其关联分割掩码提升了U-Net在胫骨远端放射影像上标注CML区域的性能。
引用
@article{arxiv.2311.13688,
title = {Masked Conditional Diffusion Models for Image Analysis with Application to Radiographic Diagnosis of Infant Abuse},
author = {Shaoju Wu and Sila Kurugol and Andy Tsai},
journal= {arXiv preprint arXiv:2311.13688},
year = {2023}
}
备注
Accepted by MICCAI DALI 2023