TDASD:基于稳定扩散模型和有限样本大小的稳定扩散模型,生成具有医学意义的细粒度肺腺癌结节CT图像

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 在瘤学瘤学.

背景情况:

• 通过空气空间传播 (STAS) 是肺癌透的关键模式.
• 从CT扫描中准确预测STAS至关重要,但由于STAS数据有限,这一点受到挑战.
• 与传统GAN相比,稳定扩散模型提供了优越的图像生成质量和多样性.

研究的目的:

• 开发一种用于生成具有特定标志的肺结节的高分辨率CT图像的方法,以解决STAS预测中的数据限制.
• 为了利用稳定的扩散来创建多样化和医学上准确的合成肺癌数据.
• 通过将专家医疗知识纳入图像生成中,提高CT扫描肺腺癌的诊断价值.

主要方法:

• 在公开可用的肺部数据集上微调稳定扩散模型.
• 增加医院获得的肺腺癌CT切片,轻微旋转以进一步微调.
• 使用DDIM和Ksample采样以专家提示为指导,生成带有特定标志的合成结节CT图像.

主要成果:

• 该TDASD方法产生医学上有意义的图像,由专家输入优化.
• 由TDASD生成的合成图像提高了肺癌分类模型的准确性.
• 仅在TDASD生成的数据上训练的模型的准确性与在真实数据上训练的模型相美.

结论:

• TDASD方法有效地保护了患者的隐私,同时增加了医疗图像的多样性.
• 该方法整合了医学知识,产生了具有瘤歧视相关特征的图像.
• 生成的图像对改善肺癌诊断和在数据稀缺条件下的研究具有重要价值.