利用扩散数据生成实现更优的头影测量标志点检测
计算机视觉与模式识别
2025-05-12 v1
摘要
头影测量标志点检测对于正畸诊断和治疗规划至关重要。然而，数据采集中的样本稀缺以及手动标注所需的大量工作，极大地阻碍了多样化数据集的获取。这一限制制约了基于深度学习的检测方法，特别是那些基于大规模视觉模型的方法的有效性。为应对这些挑战，我们开发了一种创新的数据生成方法，能够在无需人工干预的情况下，生成多样化的头影测量X光图像及其对应的标注。为此，我们的方法首先利用解剖学先验构建新的头影测量标志点标注。然后，我们采用基于扩散的生成器来创建与这些标注紧密对应的逼真X光图像。为了在生成具有不同属性的样本时实现精确控制，我们引入了一个新颖的提示头影测量X光图像数据集。该数据集包含真实的头影测量X光图像以及描述图像的详细医学文本提示。通过利用这些详细的提示，我们的方法改进了生成过程，以控制不同的风格和属性。借助生成的大量多样化数据，我们将大规模视觉检测模型引入头影测量标志点检测任务，以提高准确性。实验结果表明，使用生成数据进行训练显著提升了性能。与未使用生成数据的方法相比，我们的方法将成功检测率（SDR）提高了6.5%，达到了显著的82.2%。所有代码和数据均可从以下网址获取：https://um-lab.github.io/cepha-generation
引用
@article{arxiv.2505.06055,
title = {Towards Better Cephalometric Landmark Detection with Diffusion Data Generation},
author = {Dongqian Guo and Wencheng Han and Pang Lyu and Yuxi Zhou and Jianbing Shen},
journal= {arXiv preprint arXiv:2505.06055},
year = {2025}
}