通过组合式快速引导的扩散模型进行强大的多体检测和诊断
IEEE transactions on medical imaging
|July 15, 2025
概括
这项研究引入了一种渐进光谱扩散模型 (PSDM),以生成现实的合成结肠多图像. PSDM 改进了结直肠癌查的深度学习模型,在各种临床环境中增强了聚的检测和分类.
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:
- 结肠直肠癌 (CRC) 查对于降低死亡率至关重要,深度学习在聚合体分析中显示出前景.
- 当前的深度学习模型难以对各种临床数据进行概括,特别是分布外 (OOD) 数据.
- 现有的合成数据生成方法,如扩散模型,往往缺乏全面的临床背景.
研究的目的:
- 开发一种先进的扩散模型,用于生成临床现实的合成结肠多形象.
- 改进深度学习模型的通用化和性能,以检测,分类和细分多重体.
- 解决医疗成像中当前数据增强和合成图像生成技术的局限性.
主要方法:
- 提出了一种渐进频谱扩散模型 (PSDM),将各种临床注释 (面具,界限框,报告) 整合到组成提示中.
- 组织提示粗细的组件,以捕捉广泛的结构和细微的细节.
- 增强训练数据集与PSDM生成的合成聚图像.
主要成果:
- 通过PSDM生成的图像提高了深度学习模型的性能,用于多体检测,分类和细分.
- 在多中心PolypGen数据集上显著改进,F1得分增加了2.12%,平均精度增加了3.09%.
- 在OOD场景中展示了卓越的性能,表明了增强的模型概括性.
结论:
- 渐进光谱扩散模型 (PSDM) 通过利用各种注释,有效地生成临床准确的合成聚图像.
- 通过PSDM生成的数据增强显著改善了深度学习模型的性能和结直肠癌查的概括性.
- 这种方法为克服数据限制和提高AI在医学诊断中的稳定性提供了一个有希望的解决方案.
