Robust Polyp Detection and Diagnosis through Compositional Prompt-Guided Diffusion Models
작성자
- Haebom
카테고리
비어 있음
저자
Jia Yu, Yan Zhu, Peiyao Fu, Tianyi Chen, Junbo Huang, Quanlin Li, Pinghong Zhou, Zhihua Wang, Fei Wu, Shuo Wang, Xian Yang
개요
본 논문은 대장암 조기 진단을 위한 폴립 검출, 분류 및 분할에서 심층 학습 모델의 일반화 성능 향상을 목표로 합니다. 기존의 데이터 증강 기법의 한계를 극복하기 위해, 다양한 임상 주석 정보(분할 마스크, 바운딩 박스, 대장내시경 보고서)를 통합하는 Progressive Spectrum Diffusion Model (PSDM)을 제안합니다. PSDM은 이러한 주석 정보를 조합하여 구성된 프롬프트를 활용하여, 공간 구조와 세부 정보를 모두 포착하는 임상적으로 정확한 합성 폴립 이미지를 생성합니다. PolypGen 데이터셋을 이용한 실험 결과, PSDM으로 증강된 학습 데이터는 폴립 검출, 분류 및 분할 성능을 향상시켜 OOD 상황에서의 일반화 성능을 높였음을 보여줍니다. 특히 F1 점수는 2.12%, 평균 정밀도는 3.09% 향상되었습니다.
시사점, 한계점
•
시사점:
◦
PSDM을 이용한 데이터 증강은 심층 학습 모델의 폴립 검출, 분류, 분할 성능을 향상시킨다.
◦
다양한 임상 주석 정보를 통합하는 PSDM은 OOD 상황에서의 모델 일반화 성능을 향상시킨다.
◦
제한된 의료 데이터셋으로도 고성능 모델 학습이 가능하도록 지원한다.
•
한계점:
◦
PSDM의 성능은 사용된 임상 주석 정보의 질에 의존적일 수 있다.
◦
다양한 유형의 대장내시경 장비 및 촬영 조건에 대한 일반화 성능 평가가 추가적으로 필요하다.
◦
PSDM에 의해 생성된 합성 이미지의 현실성에 대한 객관적인 평가가 부족할 수 있다.
