Для решения проблемы недостатка размеченных данных в задаче сегментации клеточных изображений и ограничений традиционных методов аугментации, в данном исследовании впервые предложен метод расширения данных, основанный на совместной генерации клеточных изображений и масок с использованием диффузионной модели. Метод строит совместную генеративную структуру, состоящую из U-Net для предсказания шума и сэмплера шума, объединяя клеточные изображения и маски по каналам в четырехканальное совместное изображение, что позволяет реализовать одностадийную совместную генерацию высококачественных синтетических данных и избежать ошибок, возникающих при многоступенчатой генерации. Модель интегрирует временную эмбеддингу и механизм многоголового самовнимания для усиления способности моделирования соответствия структурных особенностей клеток и масок, и использует функцию потерь среднеквадратичной ошибки и косинусный аннеалинг для оптимизации процесса обучения. Комплексные экспериментальные результаты на эталонных наборах данных CryoNuSeg и ISBI2012 показывают значительное улучшение производительности последующих сегментационных моделей. При настройках сэмплинга DPM++ 2M Karras значения IoU и Dice для CryoNuSeg достигли 62.50% и 75.78% соответственно, что превосходит традиционные методы аугментации, такие как отражение и вращение. Результаты подтверждают преимущество совместной генеративной аугментации в расширении разнообразия данных и повышении точности сегментации, предоставляя эффективное и применимое решение для расширения данных в условиях дефицита аннотаций для сегментации клеточных изображений.

сегментация клеточных изображений; диффузионная модель; расширение данных; UNet; совместная генерация