MedDiffuseMix：通过显着性感知扩散医学图像数据增强保存诊断证据

有限的数据可用性、类别不平衡和领域变异仍然是可靠的医学图像分类的主要障碍。传统的增强可以提高训练多样性，但可能会扭曲诊断信息结构，而无约束的生成增强可能会引入标签不一致的内容。本文提出了 MedDiffuseMix，一种用于受控医学图像增强的显着性引导扩散混合框架。该方法使用分类器导出的显着性图将高显着性诊断区域与低显着性背景区域分开，并将扩散引导混合主要应用于诊断重要性较低的区域。自适应混合、高斯边界混合和显着性保留约束可减少语义失真，并拒绝或减弱样本，从而将模型注意力从临床相关证据上转移开。该框架根据四个公共基准进行评估：北美放射学会肺炎胸部放射照相数据集、肌肉骨骼放射线照片、PatchCamelyon 和乳腺癌组织病理学图像分类数据集。使用卷积和基于 Transformer 的分类器进行的实验表明，与标准增强、Mixup、GenMix、SaliencyMix 和基于扩散的增强基线相比，MedDiffuseMix 提高了准确性、F1 分数和接收者操作特征曲线下面积。消融研究证实了显着性引导、自适应区域混合和平滑边界混合的重要性。视觉归因分析进一步表明 MedDiffuseMix 更好地保留了诊断显着区域。这些结果表明显着性引导扩散混合是有限数据医学图像分类的有效增强策略。