对于具有稳定扩散的真实内镜图像生成的最小数据要求

科学领域:

• 医疗成像医学成像
• 计算机辅助手术 计算机辅助手术
• 人工智能的人工智能

背景情况:

• 计算机辅助的外科系统提高了外科手术的执行和结果.
• 深度学习模型对于这些系统至关重要,但需要广泛的,注释良好的数据.
• 生成合成数据是解决数据局限性的可行解决方案,但最大限度地减少真实和合成数据之间的域差距是必不可少的.

研究的目的:

• 开发一种将合成图像转换为现实的方法,用于训练外科AI.
• 在计算机辅助干预指导系统中提高深度学习模型的通用性.

主要方法:

• 提出了一种基于稳定扩散模型的新型图像对图像翻译技术.
• 该方法利用合成数据作为输入来生成现实的医学图像.
• 控制网络被纳入用于更精细地控制图像细节和减少输入数据要求.

主要成果:

• 该方法成功地应用于腹腔镜胆囊切除术数据集.
• 它实现了69.76%的平均欧盟交叉点 (IoU),明显优于基线方法 (42.21%).

结论:

• 拟议的图像翻译方法有效地从合成数据中生成现实的图像.
• 这一进步促进了深度学习模型的培训,这些模型可以更好地概括到现实世界的外科手术场景.
• 这种方法有望提高计算机辅助手术指导系统的性能和可靠性.