基于CT的脑室分割技术，利用扩散Schrödinger桥实现无需目标域真实标签

从临床CT扫描中高效准确地进行脑室分割对于紧急手术如脑室引流至关重要。鉴于软组织对比度差以及临床脑CT标注数据库稀缺的挑战，我们引入一种无需CT分割真实标签的基于扩散模型的域适应不确定性感知脑室分割技术。具体而言，我们方法采用扩散Schrödinger桥和注意力循环残差U-Net，利用未成对的CT和MRI扫描自动从MRI分割中推导出CT分割，这些MRI更易获得。重要的是，我们提出了一种端到端的联合训练框架，用于图像翻译和分割任务，并证明其优于单独训练各任务的做法。通过将所提方法与两种不同GAN模型进行域适应（CycleGAN和CUT）进行比较，我们也揭示了扩散模型在提高分割和图像翻译质量方面的优势。我们的所提方法在Dice得分0.78±0.27时优于比较方法，包括SynSeg-Net，并提供直观的不确定性度量以进一步促进自动分割结果的质量控制。我们的方法实现已公开：https://github.com/HealthX-Lab/DiffusionSynCTSeg。