使用DDPMs进行解剖学标志点局部化的合成数据增强
计算机视觉与模式识别
2024-10-18 v2
摘要
深度学习技术用于解剖学标志点局部化(ALL)取得了很大成功，但其对大量标注数据集的依赖仍是一个问题，因为医学数据获取和标注工作繁琐且昂贵。虽然传统数据增强、变分自编码器(VAEs)和生成对抗网络(GANs)已经被用于合成扩充医学数据集，但扩散基于的生成模型最近开始受到关注，因为它们能够生成高质量的合成图像。在本研究中，我们探索使用去噪扩散概率模型(DDPMs)生成医学图像及其对应的标志点热图，以增强用于ALL的监督深度学习模型的训练。我们的方法包含一个2通道输入的DDPM，即包含原始医学图像及其标注标志点热图。我们还提出了一种新颖的方法来评估生成图像的质量，通过马尔可夫随机场(MRF)模型进行标志点匹配和统计形状模型(SSM)检查标志点合理性，然后我们在涉及手部X射线的ALL任务中评估了DDPM增强的数据集。
引用
@article{arxiv.2410.12489,
title = {Synthetic Augmentation for Anatomical Landmark Localization using DDPMs},
author = {Arnela Hadzic and Lea Bogensperger and Simon Johannes Joham and Martin Urschler},
journal= {arXiv preprint arXiv:2410.12489},
year = {2024}
}
备注
Accepted for the SASHIMI workshop of MICCAI 2024