使用扩散模型进行少数拍摄的生物医学图像细分:超越图像生成
Bardia Khosravi1, Pouria Rouzrokh1, John P Mickley2
1Department of Orthopedic Surgery, Mayo Clinic, 200 First Street SW, Rochester, MN 55905, USA; Department of Radiology, Mayo Clinic, Rochester, MN, USA.
Computer methods and programs in biomedicine
|October 1, 2023
概括
诸如无声扩散概率模型 (DDPMs) 这样的生成模型可以创建合成医疗图像,用于几次拍摄的细分. 与传统方法相比,这种方法显著提高了地标细分的准确性.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 放射学 放射学是一门学科.
背景情况:
- 医疗图像细分需要大量的注释数据,这是昂贵和耗时的.
- 生成模型为少数镜头图像分割任务提供了潜在的解决方案.
研究的目的:
- 为了利用生成模型进行高效的少数镜头医疗图像细分.
- 为了评估无声化扩散概率模型 (DDPMs) 作为细分特征提取器的有效性.
主要方法:
- 一个DDPM被训练在一个大数据集的骨盆X线图生成合成图像.
- 从真实图像中提取特征,使用预先训练的DDPM在多个时间步骤.
- 用这些提取的特征来训练U-Net模型进行地标细分.
主要成果:
- 由专家和客观指标 (FID=7.2,IS=210) 验证了生成的图像.
- 使用DDPM特征训练的U-Net模型实现了高的子相似系数 (DSC),用于细分闭门孔 (0.90),大三角骨 (0.84),小三角骨 (0.61).
- 性能明显优于没有DDPM功能训练的U-Net.
结论:
- 在医学图像分析中,DDPM可以有效地被用作特征提取器.
- 这种方法使得即使在有限的注释数据下,也能够实现准确的医学图像细分.


