多标签条件扩散用于心脏MR图像增大和细分
Jianyang Li1,2,3, Xin Ma1, Yonghong Shi2,3
1Academy of Engineering & Technology, Fudan University, Shanghai 200433, China.
Bioengineering (Basel, Switzerland)
|August 28, 2025
概括
这项研究引入了心脏MRI数据增强的新生成模型,提高了心脏病的细分精度. 这种方法可以增强数据集,从而获得更好的诊断见解和治疗规划.
科学领域:
- 医学成像
- 人工智能
- 生物医学工程
背景情况:
- 准确的心脏MRI细分对于诊断心脏病和计划治疗至关重要.
- 高细分精度需要大量的注释数据集,这些数据集很难且很昂贵.
- 深度学习模型的细分在很大程度上取决于培训数据的数量和质量.
研究的目的:
- 使用条件导向的扩散生成模型开发心脏MRI的新数据增强框架.
- 应对有限的心脏MRI数据集的挑战.
- 通过增强数据集来提高心脏细分任务的性能.
主要方法:
- 提出了一个两阶段的生成数据增强框架.
- 第一个阶段:标签扩散模块根据解剖学先验生成了现实的多类空间面具.
- 第二阶段:使用空间适应性正常化 (SPADE) 模块在这些面具上生成心脏MRI图像以获得结构准确性.
主要成果:
- 生成增强框架显著增加了数据集样本数量.
- 与传统方法相比,心脏细分的准确性提高了5%至10%.
- 在生成图像的质量和增强效果之间观察到强烈的相关性.
结论:
- 拟议的框架为心脏图像分析的数据短缺提供了强有力的解决方案.
- 使用条件导向扩散模型的生成数据增强可以大大提高下游细分任务.
- 这种方法对心脏病诊断和治疗的临床应用有直接的好处.
