摘要

本文探讨了在深紫外线荧光图像（DUV）中应用扩散概率模型（DPM）进行乳腺癌自动检测的问题。由于医疗图像数据集的限制，深度学习方法在应用中面临挑战。本文提出了一种解决方案，通过DPM生成高质量的合成DUV图像，以增强训练数据集，从而提高乳腺癌分类的准确性。实验结果表明，使用DPM进行数据增强后，乳腺癌检测的准确率从93%提升至97%，显著优于传统的仿射变换和ProGAN方法。

原理

扩散概率模型（DPM）是一种生成模型，通过逐步向训练数据添加随机噪声（正向扩散），然后学习如何去除这些噪声（反向扩散）来生成与原始数据相似的新数据。本文中，DPM被应用于生成合成DUV图像，这些图像被用于增强训练数据集。DPM的关键在于其能够稳定地训练并生成高质量、多样化的图像，这在医疗图像分析中尤为重要。

流程

本文提出的方法首先从整个表面DUV图像中提取小块（patches），然后应用DPM生成这些小块的合成图像。接着，使用预训练的ResNet50网络提取这些合成图像的卷积特征，并通过XGBoost分类器进行小块级别的分类。最后，结合Grad-CAM++计算的区域重要性图，通过决策融合方法得到整个表面级别的预测。这一流程通过生成高质量的合成图像，有效提升了乳腺癌检测的准确性。

应用

本文提出的方法在乳腺癌检测领域具有广泛的应用前景。通过提高检测准确性，该方法有助于在手术中更精确地评估肿瘤边缘，从而减少癌症复发的风险。此外，DPM的应用也为其他医疗图像分析任务提供了新的数据增强策略，有望推动深度学习在医疗领域的进一步应用。