基于双模式 ViT 条件扩散框架及自适应条件桥接的乳腺癌分割
计算机视觉与模式识别
2025-11-11 v1
摘要
在乳腺超声图像中，精确的病灶分割对于早期诊断至关重要，但由于对比度低、散粒噪声以及边界不清，这一任务往往难以实现。尽管深度学习模型已显示出潜力，但标准卷积架构在捕获足够全局上下文方面常常不足，导致分割结果在解剖学上不一致。为克服这些缺陷，我们提出了一种灵活的条件去噪扩散模型，将增强型 UNet 基于生成解码器与 Vision Transformer (ViT) 编码器相结合，用于全局特征提取。我们引入了三个主要创新点：1) 一种用于高效多尺度语义特征融合的自适应条件桥接(Adaptive Conditioning Bridge, ACB)；2) 一种新颖的拓扑去噪一致性(Topological Denoising Consistency, TDC)损失组件，通过惩罚去噪过程中结构不一致性来正则化训练；3) 一种双头架构，利用去噪目标作为强大的正则器，使轻量级辅助头能够在小型数据集上进行快速精确推断，而噪声预测头则负责主要推断任务。我们的框架在公开乳腺超声数据集上建立了新纪录，BUSI 数据集上的 Dice 得分达 0.96，BrEaST 数据集上达 0.90，BUS-UCLM 数据集上达 0.97。全面的消融研究经验验证了模型组件对于实现这些结果以及生成解剖学上合理的分割至关重要。
引用
@article{arxiv.2511.05989,
title = {A Dual-Mode ViT-Conditioned Diffusion Framework with an Adaptive Conditioning Bridge for Breast Cancer Segmentation},
author = {Prateek Singh and Moumita Dholey and P. K. Vinod},
journal= {arXiv preprint arXiv:2511.05989},
year = {2025}
}
备注
5 pages, 2 figures, 3 tables, submitted to ISBI 2026