基于Worley-Perlin扩散模型的合成数据生成技术在蛛网膜下腔出血CT检测中的应用研究

　　本研究针对蛛网膜下腔出血(SAH)CT检测中数据不平衡导致的模型性能下降问题，提出了一种创新的Worley-Perlin扩散模型(WPDM)。该模型通过融合Worley噪声和Perlin噪声，克服了传统高斯噪声同质化和Simplex噪声失真的缺陷，成功生成高质量SAH图像。实验表明，在1:36极端不平衡比例下，WPDM将分类器F1-score提升至0.857，较现有技术提高2.3个百分点，为SAH早期诊断提供了可靠解决方案。

　　

在急诊医学领域，蛛网膜下腔出血(Subarachnoid Hemorrhage, SAH)被称为"最危险的头痛"，其突发死亡率高达45%。尽管非增强CT是SAH诊断的金标准，但随着发病至就诊时间延长，其敏感性会从近100%骤降至58%。更严峻的是，临床实践中SAH阳性样本与阴性样本比例可能达到惊人的1:36，这种极端数据不平衡严重制约了深度学习模型的性能。传统解决方案如代价敏感学习(CB Loss)和边界调整方法(LDAM-DRW)往往难以捕捉SAH的细微病理特征，而基于高斯噪声的扩散模型(DDPM)生成的图像又存在多样性不足的问题。

为突破这些瓶颈，来自日本名古屋大学的研究团队在《International Journal of Computer Assisted Radiology and Surgery》发表了创新性研究成果。该研究首次将Worley-Perlin噪声引入扩散模型框架，开发出WPDM模型。Worley噪声擅长模拟细胞状结构，Perlin噪声则能生成连续梯度变化，二者的有机结合通过公式3实现：x_m=λ∑Φ(x_pⁱ)+γΦ(x_{w)，其中Φ(·)代表零中心化和归一化操作。这种噪声合成策略既保持了生物组织的结构完整性，又避免了Simplex噪声导致的脑组织变形问题。}

关键技术方法包括：1)采用U-Net模型进行脑组织提取(Dice分数0.991)；2)构建WPDM框架，使用线性噪声调度和AdamW优化器；3)开发加速版本WPDMFast，将生成效率提升18倍；4)基于25例SAH患者436张切片和不同数量正常CT构建5种不平衡数据集(1:7至1:36)；5)采用DenseNet-121分类器评估性能，以F1-score和FID作为主要指标。

【脑提取】

研究首先训练U-Net模型精确剥离颅骨和软组织，如图3(a)所示，这步操作对后续生成和分类至关重要。通过标准化512×512像素尺寸和0-1强度归一化，确保了数据一致性。

【噪声特性对比】

图2直观展示了不同噪声的视觉特征：高斯噪声频谱平坦导致生成样本同质化(图10红框处)；Simplex噪声非均匀扰动引发结构破坏(图11箭头处)；而Worley-Perlin噪声通过多层叠加(图4a)实现了细节保留与多样性平衡。图7显示的WPDMFast噪声在保持质量同时，生成时间从3.67秒降至0.02秒。

【生成质量评估】

如表5所示，WPDM的FID分数(19.350)显著优于DDPM(24.625)和AnoDDPM(26.137)。图12展示的生成结果清晰呈现SAH特征，既无DDPM的模糊问题，也无AnoDDPM的结构异常。特别值得注意的是，通过算法3的η步扰动策略(180-280步)，模型能灵活控制生成样本的变异程度。

【不平衡分类性能】

如图8所示，WPDMFast在所有不平衡比例下均保持最优性能。在最具挑战性的1:36比例(数据集E)中，其F1-score达到0.857，超越ImbSAM方法2.3个百分点(表4)。这种优势源于生成样本既保留了真实SAH的条纹特征，又通过噪声合成引入了合理变异，有效扩充了少数类的特征表示。

研究结论指出，WPDM的创新性主要体现在三个方面：首先，Worley-Perlin噪声的数学特性解决了医学图像生成中保真度与多样性的矛盾；其次，η步扰动策略为小样本生成提供了可控的变异机制；最后，完整的流程设计(图3)实现了从数据预处理到最终分类的端到端优化。临床意义上，该方法使SAH检测在极端不平衡条件下仍能保持85.7%的F1-score，为急诊决策提供了宝贵时间窗口。未来工作将聚焦于提升微细血管出血特征的生成质量，并探索三维体积生成的可能性。