T2ID-CAS：用于颈部超声解剖标志物检测中的类别不平衡问题的扩散模型与类别感知抽样
计算机视觉与模式识别
2025-05-01 v1 人工智能
机器学习
摘要
颈部超声（US）在气道管理中发挥着重要作用，通过提供非侵入式的实时成像，使快速和精确的干预成为可能。基于深度学习的颈部超声解剖标志物检测可进一步提高程序效率。然而，数据集中的类别不平衡问题——关键结构如气管环和声门被低估——为目标检测模型带来了显著挑战。为此，我们提出T2ID-CAS，一种结合文本到图像潜在扩散模型与类别感知抽样的混合方法，用于为 underrepresented classes生成高质量的合成样本。这种方法在超声领域很少被探索，提高了少数类的代表性。使用YOLOv9进行颈部超声解剖标志物检测的实验结果表明，T2ID-CAS在平均精度（mAP）上达到88.2，显著优于基线的66。这一结果突显了其作为AI辅助超声引导干预中缓解类别不平衡的计算高效且可扩展解决方案的潜力。
引用
@article{arxiv.2504.21231,
title = {T2ID-CAS: Diffusion Model and Class Aware Sampling to Mitigate Class Imbalance in Neck Ultrasound Anatomical Landmark Detection},
author = {Manikanta Varaganti and Amulya Vankayalapati and Nour Awad and Gregory R. Dion and Laura J. Brattain},
journal= {arXiv preprint arXiv:2504.21231},
year = {2025}
}
备注
submitted to IEEE EMBC 2025