세포 이미지 분할 작업에서 주석 데이터 부족 및 기존 증강 방법의 한계 문제를 해결하기 위해, 본 연구에서는 확산 모델 기반의 세포 이미지와 마스크 공동 생성 데이터 증강 방법을 처음으로 제안한다. 본 방법은 노이즈 예측 U-Net과 노이즈 샘플러로 구성된 공동 생성 프레임워크를 구축하여 세포 이미지와 마스크를 채널별로 쌓아 4채널 공동 이미지를 구현함으로써 단일 단계에서 고품질 합성 데이터를 공동 생성하여 다단계 생성으로 인한 오차를 방지한다. 모델은 시간 임베딩과 멀티헤드 셀프어텐션 메커니즘을 융합하여 세포 구조 특성과 마스크 대응 관계 모델링 능력을 강화하고, 평균 제곱 오차 손실 함수와 코사인 애니일링 학습률 스케줄링을 사용하여 학습 과정을 최적화한다. CryoNuSeg 및 ISBI2012 벤치마크 데이터셋에서 수행된 포괄적인 실험 결과는 제안된 방법이 하류 분할 모델의 성능을 현저히 향상시킴을 보여준다. DPM++ 2M Karras 샘플링 설정에서 CryoNuSeg의 IoU와 Dice는 각각 62.50%와 75.78%에 이르러 반전, 회전 등의 전통적인 증강 수단보다 우수하다. 결과는 공동 생성 증강이 데이터 다양성 확장 및 분할 정확도 향상에 뛰어남을 검증하며, 주석이 부족한 상황에서 세포 이미지 분할을 위한 효율적이고 실행 가능한 데이터 증강 솔루션을 제공한다.

세포 이미지 분할; 확산 모델; 데이터 증강; UNet; 공동 생성