SurgicaL-CD：基于潜在一致性扩散模型的成对图像转换生成手术图像
计算机视觉与模式识别
2024-10-14 v3
摘要
计算机辅助手术（CAS）系统旨在辅助外科医生进行手术，从而减少并发症并提升患者护理质量。为这些系统训练机器学习模型需要大量标注数据集，而手术领域由于患者隐私问题和医生所需的巨大标注工作量，获取此类数据极具挑战性。先前的研究探索了利用生成模型进行无配对图像转换，以从仿真中生成逼真的手术图像。然而，这些方法在生成高质量、多样化的手术图像方面一直存在困难。在本工作中，我们提出了 SurgicaL-CD，一种一致性蒸馏扩散方法，仅需少量采样步骤且无需配对数据即可生成逼真的手术图像。我们在三个数据集上评估了该方法，从生成图像的质量和作为下游训练数据集的实用性两方面进行评估。结果表明，我们的方法优于 GAN 和基于扩散的方法。我们的代码可在 https://gitlab.com/nct_tso_public/gan2diffusion 获取。
引用
@article{arxiv.2408.09822,
title = {SurgicaL-CD: Generating Surgical Images via Unpaired Image Translation with Latent Consistency Diffusion Models},
author = {Danush Kumar Venkatesh and Dominik Rivoir and Micha Pfeiffer and Stefanie Speidel},
journal= {arXiv preprint arXiv:2408.09822},
year = {2024}
}
备注
Accepted at ECCV workshop on Synthetic Data for ComputerVision