面向模糊医学图像分割的模糊感知截断流匹配

在模糊医学图像分割（AMIS）中，同时提升预测的准确度和多样性仍是一个挑战，因为这涉及现有方法中隐含的准确度与多样性之间的权衡。虽然截断扩散概率模型（TDPM）在范式优化方面具有巨大潜力，但现有 TDPM 由于保真度和可信度不足，导致预测的准确度和多样性难以实现有效 disentanglement。为此，我们提出了模糊感知截断流匹配（ATFM），它引入了新的推断范式和专用模型组件。首先，我们提出数据层次推断（Data-Hierarchical Inference），这是一种针对 AMIS 的推断范式重新定义，分别在数据分布和数据样本水平上提升准确度和多样性，以实现有效的 disentanglement。其次，引入高斯截断表示（GTR），通过在 $T_{\text{trunc}}$ 处将其显式建模为高斯分布，而非使用基于抽样的近似，从而增强预测的保真度和截断分布的可靠性。最后，提出分段流匹配（SFM），通过延伸语义感知流变换于 Flow Matching（FM），增强多样化预测的可信度。在 LIDC 和 ISIC3 数据集上进行的全面评估表明，ATFM 在 SOTA 方法中实现了更高的准确度和更高效的推断。ATFM 在 GED 和 HM-IoU 上较先进方法提升了最高可达 $12\%$ 和 $7.3\%$。