Para resolver el problema de insuficiencia de datos anotados en la tarea de segmentación de imágenes celulares y las limitaciones de los métodos tradicionales de aumento, este estudio propone inicialmente un método de aumento de datos basado en un modelo de difusión para la generación conjunta de imágenes celulares y máscaras. Este método construye un marco de generación conjunta compuesto por una U-Net de predicción de ruido y un muestreador de ruido, apilando las imágenes celulares y las máscaras por canal para formar una imagen conjunta de cuatro canales, logrando la generación conjunta en una sola etapa de datos sintéticos de alta calidad y evitando errores introducidos por la generación en múltiples etapas. El modelo integra incrustación temporal y un mecanismo de atención automática de múltiples cabezas para mejorar la capacidad de modelar la relación entre las características estructurales celulares y las máscaras correspondientes, y utiliza una función de pérdida de error cuadrático medio y una programación de tasa de aprendizaje de recocido coseno para optimizar el proceso de entrenamiento. Los resultados experimentales exhaustivos en los conjuntos de datos de referencia CryoNuSeg e ISBI2012 muestran que el método propuesto mejora significativamente el rendimiento de los modelos de segmentación posteriores. Bajo la configuración de muestreo DPM++ 2M Karras, los valores de IoU y Dice para CryoNuSeg alcanzaron 62.50% y 75.78%, respectivamente, superando a los métodos tradicionales de aumento como volteo y rotación. Los resultados verifican la superioridad del aumento de generación conjunta para ampliar la diversidad de datos y mejorar la precisión de segmentación, proporcionando una solución eficiente y viable para el aumento de datos en segmentación de imágenes celulares en escenarios de escasez de anotaciones.

segmentación de imágenes celulares; modelo de difusión; aumento de datos; UNet; generación conjunta