DiffuseExpand: Expanding dataset for 2D medical image segmentation using diffusion models

要約

データセットの拡張により、プライバシー上の懸念やラベル付けの難しさによる医療画像セグメンテーションのデータ不足の問題を効果的に軽減できます。
しかし、既存の拡張アルゴリズムは、ペアのセグメンテーション マスクを使用して合成画像の多様性を保証できないため、依然として大きな課題に直面しています。
近年、拡散確率モデル (DPM) は、敵対的生成ネットワークよりも優れた強力な画像合成パフォーマンスを示しています。
この洞察に基づいて、DPM を使用して 2D 医用画像セグメンテーション用のデータセットを拡張するための DiffuseExpand と呼ばれるアプローチを提案します。これは、最初にガウス ノイズからさまざまなマスクをサンプリングして多様性を確保し、次に画像を合成して画像とマスクの位置合わせを保証します。
その後、DiffuseExpand は高品質のサンプルを選択して、データ拡張の効果をさらに高めます。
COVID-19 と CGMH 骨盤データセットに関する比較およびアブレーション実験は、DiffuseExpand の有効性を実証しています。
私たちのコードは https://github.com/shaoshitong/DiffuseExpand でリリースされています。

要約(オリジナル)

Dataset expansion can effectively alleviate the problem of data scarcity for medical image segmentation, due to privacy concerns and labeling difficulties. However, existing expansion algorithms still face great challenges due to their inability of guaranteeing the diversity of synthesized images with paired segmentation masks. In recent years, Diffusion Probabilistic Models (DPMs) have shown powerful image synthesis performance, even better than Generative Adversarial Networks. Based on this insight, we propose an approach called DiffuseExpand for expanding datasets for 2D medical image segmentation using DPM, which first samples a variety of masks from Gaussian noise to ensure the diversity, and then synthesizes images to ensure the alignment of images and masks. After that, DiffuseExpand chooses high-quality samples to further enhance the effectiveness of data expansion. Our comparison and ablation experiments on COVID-19 and CGMH Pelvis datasets demonstrate the effectiveness of DiffuseExpand. Our code is released at https://github.com/shaoshitong/DiffuseExpand.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google