Polyp-DDPM: Diffusion-Based Semantic Polyp Synthesis for Enhanced Segmentation

要約

この研究では、胃腸 (GI) 管ポリープのセグメンテーションを強化することを目的として、マスク上で条件付けされたポリープのリアルな画像を生成するための拡散ベースの方法である Polyp-DDPM を紹介します。
私たちのアプローチは、医療画像に関連するデータ制限、高いアノテーション コスト、プライバシーの問題といった課題に対処します。
セグメンテーション マスク (異常領域を表すバイナリ マスク) で拡散モデルを調整することにより、Polyp-DDPM は画質の点で最先端の方法を上回ります (上記のスコアと比較して、78.47 のフレシェ開始距離 (FID) スコアを達成)
83.79) とセグメンテーション パフォーマンス (ベースライン モデルからの合成画像では 0.6694 未満、実際のデータでは 0.7067 未満であるのに対し、0.7156 の交差オーバーユニオン (IoU) を達成)。
私たちの方法は、トレーニング用の高品質で多様な合成データセットを生成することで、ポリープ セグメンテーション モデルを実際の画像と比較できるように強化し、セグメンテーション モデルを改善するためのより優れたデータ拡張機能を提供します。
Polyp-DDPM のソース コードと事前トレーニングされた重みは、https://github.com/mobaidoctor/polyp-ddpm で公開されています。

要約(オリジナル)

This study introduces Polyp-DDPM, a diffusion-based method for generating realistic images of polyps conditioned on masks, aimed at enhancing the segmentation of gastrointestinal (GI) tract polyps. Our approach addresses the challenges of data limitations, high annotation costs, and privacy concerns associated with medical images. By conditioning the diffusion model on segmentation masks-binary masks that represent abnormal areas-Polyp-DDPM outperforms state-of-the-art methods in terms of image quality (achieving a Frechet Inception Distance (FID) score of 78.47, compared to scores above 83.79) and segmentation performance (achieving an Intersection over Union (IoU) of 0.7156, versus less than 0.6694 for synthetic images from baseline models and 0.7067 for real data). Our method generates a high-quality, diverse synthetic dataset for training, thereby enhancing polyp segmentation models to be comparable with real images and offering greater data augmentation capabilities to improve segmentation models. The source code and pretrained weights for Polyp-DDPM are made publicly available at https://github.com/mobaidoctor/polyp-ddpm.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google