Um das Problem des Mangels an annotierten Daten bei der Zellbildsegmentierungsaufgabe und die Einschränkungen herkömmlicher Augmentierungsmethoden zu lösen, schlägt diese Studie zunächst eine Datenaugmentierungsmethode vor, die auf einem Diffusionsmodell basiert und die gemeinsame Generierung von Zellbildern und Masken umfasst. Die Methode konstruiert einen gemeinsamen Generierungsrahmen, der aus einem Rauschvorhersage-U-Net und einem Rauschsampler besteht, wobei Zellbilder und Masken kanalweise zu einem vierkanaligen gemeinsamen Bild gestapelt werden, um eine einstufige gemeinsame Generierung qualitativ hochwertiger synthetischer Daten zu realisieren und Fehler durch mehrstufige Generierung zu vermeiden. Das Modell integriert Zeit-Embedding und Multi-Head-Selbstaufmerksamkeitsmechanismen, um die Modellierung der Beziehung zwischen Zellstruktureigenschaften und den entsprechenden Masken zu verbessern, und verwendet eine mittlere quadratische Fehlerverlustfunktion sowie einen Cosine-Annealing-Lernratenplan zur Optimierung des Trainingsprozesses. Umfassende experimentelle Ergebnisse auf den Benchmark-Datensätzen CryoNuSeg und ISBI2012 zeigen, dass die vorgeschlagene Methode die Leistung nachgelagerter Segmentierungsmodelle signifikant verbessert. Unter der Sampling-Einstellung DPM++ 2M Karras erreichten CryoNuSeg IoU und Dice 62,50 % bzw. 75,78 % und übertrafen traditionelle Augmentierungsmethoden wie Spiegelung und Rotation. Die Ergebnisse bestätigen die Überlegenheit der gemeinsamen Generierungs-Augmentierung bei der Erweiterung der Datendiversität und der Verbesserung der Segmentierungsgenauigkeit und bieten eine effiziente und praktikable Datenaugmentierungslösung für Zellbildsegmentierung in annotierungsarmen Szenarien.

Zellbildsegmentierung; Diffusionsmodell; Datenaugmentierung; UNet; gemeinsame Generierung