论文
通过扩散修复进行乳房 X 线摄影分类的健康反事实生成
Healthy Counterfactual Generation via Diffusion Inpainting for Mammography Classification
摘要
由于检测和治疗的延迟，假阴性仍然是乳腺癌筛查计算机辅助诊断 (CAD) 系统的一个关键限制。为了解决这个问题，我们提出了一种反事实数据增强策略，通过从异常图像中“擦除”病变来生成健康的乳房X光照片，从而丰富训练分布。我们在 BI-RADS 1（健康）乳房 X 光照片上训练去噪扩散概率模型，并使用基于 RePaint 的采样策略在带注释的病变边界框中修复真实的正常组织。由此产生的健康反事实用真实的健康组织替换注释的病变区域，同时保留患者特定的解剖结构，如真实图像和生成图像之间的相似性度量所支持的那样。放射科医生进一步评估了图像真实感，发现其与原始数据集的质量一致。我们评估了四种代表性分类器架构的反事实增强：卷积神经网络（ConvNeXt）、视觉变换器（ViT）、预训练的视觉语言模型 乳房X光检查报告对（Mammo-CLIP）和基于多尺度注意力的多实例学习框架（FPN-MIL）。在 VinDr-Mammo 数据集上进行的实验表明，所有架构的灵敏度都有所提高，特别是在 80% 的固定特异性下，有助于实现更可靠的乳腺癌 CAD 系统。代码可在以下位置获取：https://github.com/ines03garcia/diffusion-based-counterfactual-generation.