利用扩散模型生成合成标注数据用于医学图像分割
图像与视频处理
2024-05-13 v2
摘要
医学图像分析已成为机器学习应用的一个重要领域。然而，由于患者隐私法规或专家标注图像所需的时间和成本，高质量、公开可用的数据十分有限。在这项回顾性研究中，我们设计并评估了一条生成合成标注息肉图像的流程，用于增强医学图像分割模型，旨在缓解这种数据稀缺问题。具体而言，我们在 HyperKvasir 数据集上训练了扩散模型，该数据集包含 2008 年至 2016 年人类胃肠道中 1000 张息肉图像。我们测试了定性专家评审、Fréchet Inception Distance (FID) 和多尺度结构相似性 (MS-SSIM) 用于评估。此外，使用生成的数据训练了多种分割模型，并采用 Dice 分数和交并比 (Intersection over Union) 进行评估。我们发现，基于 FID 分数，我们的流程生成的图像更类似于真实息肉图像，并且在使用合成数据完全或部分训练时，分割性能也较 GAN 方法有所提升，尽管训练所需计算量更少。此外，在不同数据集上测试时改进依然持续，展示了生成图像的迁移能力。
引用
@article{arxiv.2310.16794,
title = {Using Diffusion Models to Generate Synthetic Labelled Data for Medical Image Segmentation},
author = {Daniel Saragih and Atsuhiro Hibi and Pascal Tyrrell},
journal= {arXiv preprint arXiv:2310.16794},
year = {2024}
}
备注
25 pages, 6 figures, 10 tables