Bézier 遇见 Diffusion：面向医学图像分割的跨域鲁棒生成

由于巨大的领域差异，在不同医学成像模态间训练鲁棒的学习算法具有挑战性。无监督域适应（UDA）通过使用源域的带标注图像和目标域的无标注图像来训练深度模型，从而缓解了这一问题。现有方法通常依赖基于 GAN 的风格迁移，但这些方法难以捕捉高变异性区域中的跨域映射。在本文中，我们提出了一个统一的框架——Bézier Meets Diffusion，用于跨域图像生成。首先，我们引入了一种基于 Bézier 曲线的风格迁移策略，有效缩小了源域与目标域之间的领域差异。迁移后的源域图像使得能够训练跨域更鲁棒的分割模型。随后，利用该分割模型在目标域上生成的伪标签，我们训练了一个条件扩散模型（CDM）来合成高质量的、带标注的目标域图像。为减轻噪声伪标签的影响，我们进一步开发了一种不确定性引导的得分匹配方法，以提升 CDM 训练的鲁棒性。在公开数据集上的大量实验表明，我们的方法生成了逼真的带标注图像，显著增强了目标域并提升了分割性能。