세포 이미지 분할 과제에서 주석 데이터 부족 및 기존 증강 방법의 한계를 해결하기 위해, 본 연구는 확산 모델 기반의 세포 이미지와 마스크 공동 생성 데이터 증강 방법을 최초로 제안하였다. 이 방법은 노이즈 예측 U-Net과 노이즈 샘플러로 구성된 공동 생성 프레임워크를 구축하여, 세포 이미지와 마스크를 채널별로 쌓아 4채널 공동 이미지를 생성함으로써 단일 단계에서 고품질 합성 데이터를 공동 생성하여 다단계 생성에 따른 오류를 방지한다. 모델은 시간 임베딩과 멀티헤드 셀프 어텐션 메커니즘을 융합하여 세포 구조 특성과 마스크 대응 관계의 모델링 능력을 강화하며, 평균 제곱 오차 손실 함수와 코사인 어닐링 학습률 스케줄러를 사용하여 학습 과정을 최적화한다. CryoNuSeg 및 ISBI2012 벤치마크 데이터셋에서 수행된 종합 실험 결과, 제안된 방법이 하위 분할 모델의 성능을 유의미하게 향상시켰음을 보여준다. DPM++ 2M Karras 샘플링 설정 하에서 CryoNuSeg의 IoU 및 Dice는 각각 62.50%와 75.78%에 도달하여 뒤집기, 회전 등 기존 증강 방법보다 우수하다. 결과는 공동 생성 증강이 데이터 다양성 확장 및 분할 정확도 향상에 있어 우수함을 검증하며, 주석이 부족한 상황에서 세포 이미지 분할을 위한 효율적이고 실용적인 데이터 증강 방안을 제공한다.

세포 이미지 분할; 확산 모델; 데이터 증강; UNet; 공동 생성