BerDiff：用于医学图像分割的条件伯努利扩散模型
计算机视觉与模式识别
2023-10-03 v1 人工智能
摘要
医学图像分割是一项具有固有模糊性和高不确定性的挑战性任务，其归因于肿瘤边界不清和多种合理标注等因素。分割掩码的准确性与多样性对于为临床医生提供有价值的参考均至关重要。尽管现有扩散模型已在多种视觉生成任务中展现出强大能力，但处理分割中的离散掩码仍具挑战。为获得准确且多样的医学图像分割掩码，我们提出了一种新颖的用于医学图像分割的条件伯努利扩散模型（BerDiff）。我们首次提出使用伯努利噪声而非高斯噪声作为扩散核，以增强扩散模型在二值分割任务中的能力，从而得到更准确的分割掩码。其次，利用扩散模型的随机特性，我们的 BerDiff 多次随机采样初始伯努利噪声与中间潜变量，以产生一系列多样的分割掩码，可突出感兴趣的显著区域，作为对放射科医生的宝贵参考。此外，我们的 BerDiff 能高效地从反向扩散的整体轨迹中采样子序列，从而加速分割过程。在两个不同模态的医学图像分割数据集上的大量实验结果表明，我们的 BerDiff 优于其他近期发表的先进方法。我们的结果表明扩散模型可作为医学图像分割的强骨干网络。
引用
@article{arxiv.2304.04429,
title = {BerDiff: Conditional Bernoulli Diffusion Model for Medical Image Segmentation},
author = {Tao Chen and Chenhui Wang and Hongming Shan},
journal= {arXiv preprint arXiv:2304.04429},
year = {2023}
}
备注
14 pages, 7 figures