細胞画像分割タスクにおける注釈データ不足および従来のデータ増強手法の限界問題を解決するため、本研究では拡散モデルに基づく細胞画像とマスクの共同生成によるデータ拡張手法を初めて提案する。本手法は、ノイズ予測U-Netとノイズサンプラーからなる共同生成フレームワークを構築し、細胞画像とマスクをチャネルごとに積み重ねて4チャネルの共同画像を実現することで、単一ステージで高品質な合成データを共同生成し、多段階生成による誤差を回避する。モデルは時間埋め込みとマルチヘッド自己注意機構を融合し、細胞構造特徴とマスク対応関係のモデリング能力を強化し、平均二乗誤差損失関数とコサインアニーリング学習率スケジューリングを採用して訓練過程を最適化する。CryoNuSegおよびISBI2012のベンチマークデータセットで実施した包括的な実験結果は、提案手法が下流の分割モデルの性能を著しく向上させることを示した。DPM++ 2M Karrasサンプリング設定で、CryoNuSegのIoUおよびDiceはそれぞれ62.50％および75.78％に達し、反転や回転などの従来の増強手法を上回った。結果は、共同生成による増強がデータの多様性拡張と分割精度向上に優れていることを検証し、アノテーションが不足している場面における細胞画像分割の効率的かつ実現可能なデータ拡張手法を提供する。

細胞画像分割; 拡散モデル; データ拡張; UNet; 共同生成