扩散模型与DCGAN对于不平衡类型的肺癌CT分类:一项比较研究
Masoud Tabibian1, Tahereh Razmpour1, Rajib Saha1
1Department of Chemical and Biomolecular Engineering, University of Nebraska-Lincoln, Lincoln, Nebraska, United States of America.
bioRxiv : the preprint server for biology
|December 3, 2025
概括
扩散模型在解决肺癌CT检测中的类不平衡方面优于DCGAN. 扩散模型提供卓越的回忆和一致性,对于精确的癌症查和减少错误诊断至关重要.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 机器学习 机器学习
背景情况:
- 肺癌CT扫描中的阶级不平衡导致偏见模型和错误诊断.
- 良性和正常病例通常代表性不足,难以准确检测.
研究的目的:
- 将扩散模型和深度卷积生成对抗网络 (DCGANs) 进行肺癌CT分类.
- 通过使用现代建筑增强来解决阶级不平衡,评估它们的有效性.
主要方法:
- 使用了IQ-OTH/NCCD数据集 (1,097张CT图像).
- 在这两种模型中都包含了光谱正常化,自我注意和条件生成.
- 使用图像质量指标 (FID,KL,KID,IS) 和分类性能进行评估.
主要成果:
- 扩散模型显示出优越的图像质量和下游分类性能.
- 两种模型都改善了良性回忆;扩散实现了完美的回忆 (1.000 ± 0.000).
- 扩散模型保持了较高的恶性瘤检测灵敏度 (0.997 ± 0.008),差异较低.
结论:
- 扩散模型是高风险的临床应用,如癌症查的首选方法.
- 下游临床任务性能对于验证至关重要,仅仅超越图像质量指标.
- 这两种生成方法都有效地减轻了医学成像数据集中的阶级不平衡.
