基于扩散的皮肤病数据增强与细粒度的细节保存和数据多样性的插值
Mujung Kim1, Jisang Yoo1, Soonchul Kwon2
1Department of Electronic Engineering, Kwangwoon University, Seoul, Republic of Korea.
PloS one
|October 3, 2025
概括
这项研究引入了一种新的数据增强方法,使用扩散模型创建合成皮肤图像,提高罕见皮肤疾病的诊断准确度.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 皮肤病学 皮肤病学
背景情况:
- 数据稀缺是训练人工智能模型进行皮肤疾病诊断的一个重大挑战.
- 现有的生成模型可能会在合成医学图像中失去关键细节.
研究的目的:
- 开发用于皮肤疾病诊断研究的先进数据增强技术.
- 通过扩散模型提高合成医疗图像的质量和多样性.
主要方法:
- 通过改进编码器/解码器结构和整合损伤口罩,增强了稳定扩散 (潜伏扩散模型).
- 使用多层嵌入式与CLIP编码器进行详细的图像表示.
- 使用预先训练有素的细分和染色模型来生成正常的皮肤区域和插入视觉特征.
主要成果:
- 生成了高质量的合成皮肤图像,并改善了细节的保存.
- 在结合合成和真实数据时,在七种皮肤疾病上证明了增强的分类性能.
- 验证了基于扩散的增强技术在解决数据稀缺方面的有效性.
结论:
- 拟议的基于扩散的数据增强方法有效地增加了皮肤病研究的数据多样性.
- 该技术显示了在医疗AI应用中提高诊断准确性的潜力.
- 生成的合成数据可以作为有价值的参考材料,尽管目前的临床局限性.
