확산 모델의 합성 데이터 활용은 심초음파 하위 과제를 뒷받침한다
Incorporating synthetic data from diffusion models supports echocardiography downstream tasks
목적: 대규모 레이블 심초음파 데이터셋은 수집 비용이 많이 든다. 우리는 확산 모델을 사용하여 분할 및 심장 주기 분류를 위한 합성 학습 데이터를 생성한다. 방법: CAMUS에서 세 가지 생성 접근법을 연구한다. 즉, 무조건부 이미지 공간 모델, 평이한 영어 프롬프트 또는 추상 토큰으로 조건화된 잠재 모델, 그리고 추상 토큰과 분할 마스크로 조건화된 ControlNet 모델이다. 합성은 Fréchet Inception Distance(FID)로 평가하고, 증강은 이완기 말과 수축기 말의 분할 및 분류로 평가한다. 또한 CardiacUDC 내부에서의 분할과 CAMUS에서 CardiacUDC로의 직접 분할도 평가한다. 결과: 추상 토큰과 분할 마스크로 조건화하면 평균 FID가 1.5로 가장 낮았으며, 이는 Semantic Diffusion Model의 3.2와 비교된다. 추상 토큰 증강은 가장 높은 분류 정확도를 보여 ResNet-18을 83.8%에서 87.2%로, VGG-16을 74.5%에서 78.7%로 향상시켰다. 합성 증강은 CAMUS 2D U-Net에서 평균 Dice 87.6%, CardiacUDC nnU-Net에서 84.6%로 가장 높은 값을 보였다. nnU-Net 모델을 CAMUS에서 학습하여 CardiacUDC에서 직접 평가할 때, 증강은 평균 Dice를 74.6%에서 75.2%로 높인다. 결론: 합성 이미지를 학습에 포함하면 CAMUS 주기 분류, CAMUS와 CardiacUDC 내부 분할, 그리고 CAMUS에서 CardiacUDC로의 직접 분할에서 완만한 향상을 얻는다.