細胞画像分割タスクにおけるアノテーションデータ不足および従来の拡張手法の限界を解決するために、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充手法を提案した。本手法は、ノイズ予測U-Netおよび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とし、単一段階で高品質な合成データの共同生成を実現し、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セルフアテンション機構を融合し、細胞構造特徴とマスクの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およびコサインアニーリング学習率スケジューラを用いて学習プロセスを最適化する。CryoNuSegおよびISBI2012のベンチマークデータセットでの包括的な実験結果により、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サンプリング設定下で、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拡張手法を上回った。結果は、共同生成による拡張がデータ多様性の拡大および分割精度の向上に優れていることを検証し、アノテーションが乏しいシナリオにおける細胞画像分割に対して効率的で実用的なデータ拡充ソリューションを提供する。

細胞画像分割; 拡散モデル; データ拡充; UNet; 共同生成