基于扩散模型的医疗图像生成作为AI应用的潜在数据增强策略
Zijian Cao1, Jueye Zhang2, Chen Lin2
1Institute of Medical Technology, Peking University Health Science Center, Beijing 100191, China.
Current medical imaging
|September 5, 2025
概括
这项研究引入了一种用于生成合成医疗图像的扩散模型,为人工智能 (AI) 培训提供了一种高效的数据增强方法. 这项研究突出了高质量的合成数据生成的最佳参数,即使资源有限.
科学领域:
- 医学成像
- 人工智能
- 计算机视觉
背景情况:
- 医疗人工智能 (AI) 应用需要大量多样化的数据集来进行强有力的培训.
- 由于隐私问题和成本,对现实世界的临床数据的访问可能受到限制.
- 数据增强策略对于提高有限数据集的人工智能模型性能至关重要.
研究的目的:
- 探索使用扩散模型增强医学数据的生成图像合成方法.
- 在低资源计算环境中评估扩散模型的效率和成本效益.
- 确定高准确度合成医学图像生成的最佳训练参数.
主要方法:
- 在低性能计算条件下使用MedMNIST v2数据集进行训练.
- 根据现有数据特征开发了一个注释扩散模型来合成新的医学图像.
- 使用不同损失函数和特征向量尺寸的损失函数梯度下降和Fréchet初始距离 (FID) 进行定量评估.
主要成果:
- 与原始数据相比,扩散模型成功生成了具有类似风格但不同解剖细节的医学图像.
- 具有特征向量维度为 64 的 L2 损失函数得到了 0.85 的最佳 FID 分数.
- 胡贝尔损失函数显示了增强的模型稳定性,尽管在特征向量维度为2048时,FID高于15.2.
结论:
- 基于扩散模型的医学图像合成是人工智能的可行增强策略,特别是当真实数据稀缺时.
- 最佳的训练参数,包括损失函数选择和特征向量维度,显著影响合成图像质量.
- 进一步的研究应侧重于将这些模型应用于更复杂的医疗数据集和临床场景.
