DiffAtlas：通过图像-掩码扩散生成式化图谱分割
计算机视觉与模式识别
2025-03-11 v1
摘要
精确的医学图像分割对于精确的解剖结构勾画至关重要。像 U-Net 这样的深度学习模型已取得巨大成功，但严重依赖大型数据集，并且在领域偏移、复杂结构和训练样本有限的情况下表现不佳。最近的研究通过迭代细化掩码探索了用于分割的扩散模型。然而，这些方法仍然保留了传统的图像到掩码映射，使其对输入数据高度敏感，从而影响了稳定性和泛化能力。相比之下，我们引入了 DiffAtlas，这是一种新颖的生成式框架，它在训练期间通过扩散对图像和掩码进行建模，有效地实现了基于图谱分割的“生成式化”。在测试期间，该模型被引导生成特定的目标图像-掩码对，从中获得相应的掩码。DiffAtlas 保留了图谱范式的鲁棒性，同时克服了其可扩展性和特定领域的局限性。使用 MMWHS 和 TotalSegmentator 数据集在 CT 和 MRI 上进行的广泛实验，涵盖了同域、跨模态、变域和不同数据规模设置，表明我们的方法优于现有方法，特别是在有限数据和零样本模态分割中。代码可在 https://github.com/M3DV/DiffAtlas 获取。
引用
@article{arxiv.2503.06748,
title = {DiffAtlas: GenAI-fying Atlas Segmentation via Image-Mask Diffusion},
author = {Hantao Zhang and Yuhe Liu and Jiancheng Yang and Weidong Guo and Xinyuan Wang and Pascal Fua},
journal= {arXiv preprint arXiv:2503.06748},
year = {2025}
}
备注
11 pages