利用扩散模型和跨类别标签学习进行多样化图像生成，以用于息肉分类

摘要

病理诊断是决定结直肠癌（CRC）最佳治疗方案的关键阶段。结直肠癌的前兆——结肠息肉，从病理学上可以分为两大类：腺瘤性（具有恶性潜能）和增生性（良性）。为了准确分类息肉，人们采用了多种成像技术，如窄带成像（NBI）和白光成像（WLI），这些技术各具优势。然而，现有的分类方法主要依赖于单一的成像方式，并且由于数据稀缺而效果有限。近年来，生成式人工智能在解决这类问题方面逐渐受到重视，尤其是通过文本提示和图像来实现各种控制机制。不过，这些机制需要类别标签才能使模型有效响应控制输入。在结肠镜检查领域，这类控制机制很少被探索；特别是文本提示这一方面几乎未被研究过。此外，由于缺乏针对多种图像集的昂贵类别标签，进一步的研究受到了限制。这就提出了一个关键问题：如何利用有限的标注数据，通过文本控制的方式生成多样且具有临床意义的结肠镜图像。因此，在本研究中，我们开发了一个名为PathoPolyp-Diff的新模型，该模型能够生成在病理学特征、成像方式和质量上都具有多样性的文本控制合成图像，从而更有效地增强下游诊断模型的性能。该模型采用两阶段流程：首先，模型学习区分息肉与非息肉的特征；然后专注于病理学特异性特征。在此过程中，我们引入了跨类别标签学习，使模型能够从其他类别中学习特征，从而减轻数据标注的负担。我们通过使用不同的成像方式（NBI/WLI）和文本提示进行息肉分类（腺瘤性/增生性）来验证文本控制合成和跨类别标签学习的有效性。实验结果表明，在一个公开可用的数据集上，结合使用这些合成图像进行数据增强后，平衡准确率提高了7.91%，凸显了我们方法在提升下游分类性能方面的实用性。此外，在视频级别分析中，跨类别标签学习使平衡准确率提高了18.33%。代码可访问地址为：https://github.com/Vanshali/PathoPolyp-Diff。