使用多条件消噪扩散概率模型 (mDDPM) 进行注释肺部CT图像与病理学的引导合成

科学领域:

• 医疗成像中的人工智能
• 医疗数据合成的生成模型
• 计算病理学计算病理学

背景情况:

• 医疗诊断的AI模型需要大量的注释数据集,由于隐私和注释成本,这些数据集很少.
• 现有的生成模型在医疗应用所需的精度和注释准确性方面扎.

研究的目的:

• 为人工智能培训开发一个可控的框架,用于生成合成的,注释的医学图像.
• 解决医疗人工智能开发中数据稀缺和注释开销的局限性.

主要方法:

• 使用了一种无噪声扩散概率模型,在肺部CT扫描上无条件训练.
• 扩展模型以无分类器采样为受约束的多条件生成.
• 通过生成特定病理的解剖学上一致的肺部CT图像来验证框架.

主要成果:

• 生成多样化,注释的肺部CT图像,具有高度的解剖学真实性和一致性.
• 在指定的位置成功生成了特定病理 (例如肺结节) 的图像.
• 与可比数据集上的最先进的生成模型相比,表现出优异的性能.

结论:

• 拟议的框架有效地产生了带有注释的高质量的合成医疗图像.
• 这种方法有助于为AI诊断工具创建强大的训练数据集.
• 该方法在医学成像模式和应用中显示了可通用性.