测试时间生成增强用于医疗图像细分
Xiao Ma1, Yuhui Tao2, Zetian Zhang3
1School of Computer Science and Engineering, Nanjing University of Science and Technology, Nanjing, China; Bioengineering Department and Imperial-X, Imperial College London, London, W12 7SL, UK.
Medical image analysis
|December 13, 2025
概括
测试时间生成增强 (TTGA) 通过在推断过程中创建多样化,上下文感知增强来增强医疗图像细分. 这种新的方法提高了准确性,并提供了像素智能错误估计,以获得更好的临床见解.
科学领域:
- 医疗成像医学成像
- 计算机视觉 计算机视觉
- 人工智能的人工智能
背景情况:
- 医疗图像细分对于临床应用至关重要,但面临着诸如遮和边界模糊等挑战.
- 现有的测试时间增强 (TTA) 方法受到预定义的转换的限制,阻碍了复杂的医学成像场景中的适应性.
研究的目的:
- 引入测试时间生成增强 (TTGA),这是一个新的策略,用于增强推断时间的医疗图像细分.
- 解决传统增强技术的局限性,提供适合环境的多样化增强,以量身定制个别测试图像.
主要方法:
- 开发了利用域微调生成模型的TTGA,特别是扩散模型反转与掩盖的零文本反转用于特定区域的增强.
- 实现了双重无色化途径,以在增强生成期间平衡图像身份保护与受控变异性.
- 在三个细分任务和九个数据集中验证了TTGA.
主要成果:
- 与基线方法相比,TTGA显著提高了细分精度,显示子相似系数 (DSC) 从0.1%提高到2.3%.
- 该方法提供了像素智能错误估计,实现了比基线1.1%至29.0%的DSC增长.
- 在各种医学成像细分任务中观察到一致的性能改进.
结论:
- TTGA代表了医疗图像细分的重大进步,通过在推理时间启用适应性,生成增强.
- 拟议的方法提高了细分的准确性,并提供了有价值的像素智能错误估计,有助于更可靠的临床决策.
- 该研究提供了一个开源实现,促进了TTGA在医学图像分析中的进一步研究和应用.
