SynthVision：利用合成图像数据以最小输入换取计算机视觉模型的最大输出

快速开发疾病检测计算机视觉模型对于应对流行病或生物恐怖主义事件等紧急医疗危机至关重要。然而，传统的数据收集方法对于这些场景来说过于缓慢，需要创新的方法以便从最少数据中快速生成可靠模型。我们通过仅使用合成数据构建一个用于检测人乳头瘤病毒 (HPV) 生殖器疣的综合计算机视觉模型，展示了我们的新方法。在我们的研究中，我们采用了使用扩散模型的两阶段实验设计。在第一阶段，利用扩散模型从 10 张 HPV 指导图像中生成了大量多样的合成图像，明确专注于准确描绘生殖器疣。第二阶段涉及使用该合成数据集训练和测试视觉模型。该方法旨在评估扩散模型在快速生成高质量训练数据方面的有效性，以及随后对医学图像识别中视觉模型性能的影响。研究结果揭示了关于在通过扩散模型生成的合成图像上训练的视觉模型性能的重要见解。该视觉模型在准确识别生殖器疣病例方面表现出卓越的性能，准确率达到了 96%，突显了其在医学图像分类中的有效性。对于 HPV 病例，该模型展示了 99% 的高精确率和 94% 的召回率。在正常病例中，精确率为 95%，召回率令人印象深刻地达到 99%。这些指标表明该模型能够正确识别真阳性病例并最小化假阳性。该模型在 HPV 病例中的 F1 分数为 96%，在正常病例中为 97%。两类别中高 F1 分数突显了模型精确率和召回率的平衡性质，确保了其预测的可靠性和鲁棒性。