用于色彩视网膜底图的序数扩散模型
计算机视觉与模式识别
2026-03-02 v1
摘要
有人认为，诸如扩散模型等生成式图像模型可以通过提供深度学习模型的补充训练数据来提高在临床相关任务上的性能。然而，大多数条件扩散模型将疾病阶段视为独立类别，忽略了疾病进展的连续性。这在医学影像中尤为问题，因为通常只有通过粗糙的、离散但有序的标签才能观察到连续的病理过程，例如在糖尿病视网膜病变（DR）的眼科学中。我们提出了一种用于生成色彩视网膜底图的序数潜在扩散模型，显式地将DR严重程度的有序结构纳入生成过程。我们不采用类别条件化，而是使用标量疾病表征，使相邻阶段之间能够平滑过渡。我们使用视觉真实性指标和基于分类的临床一致性分析对方法进行评估，评估数据来自EyePACS数据集。与标准条件扩散模型相比，我们的模型在四个五个DR阶段上降低了弗雷CET inception距离，并将二次加权Kappa从0.79提高到0.87。此外，插值实验表明，该模型捕获了从有序粗糙类别标签学习的连续疾病进展谱。
引用
@article{arxiv.2602.24013,
title = {Ordinal Diffusion Models for Color Fundus Images},
author = {Gustav Schmidt and Philipp Berens and Sarah Müller},
journal= {arXiv preprint arXiv:2602.24013},
year = {2026}
}