DiffMIC：用于医学图像分类的双重引导扩散网络
计算机视觉与模式识别
2023-07-12 v3
摘要
扩散概率模型最近在生成式图像建模中展现出卓越的性能，引起了计算机视觉界的极大关注。然而，尽管大量基于扩散的研究集中在生成任务上，但很少有研究将扩散模型应用于一般医学图像分类。在本文中，我们提出了第一个基于扩散的模型（命名为 DiffMIC），通过消除医学图像中意外的噪声和扰动并稳健地捕获语义表示，来解决一般医学图像分类问题。为了实现这一目标，我们设计了一种双重条件引导策略，以多种粒度对每个扩散步骤进行条件化，以改进逐步区域注意力。此外，我们提出在扩散前向过程中通过施加最大均值差异(Maximum-Mean Discrepancy)正则化来学习每种粒度中的互信息。我们在具有不同图像模态的三个医学分类任务上评估了 DiffMIC 的有效性，包括超声图像上的胎盘成熟度分级、使用皮肤镜图像的皮肤病变分类以及使用眼底图像的糖尿病视网膜病变分级。我们的实验结果表明，DiffMIC 以显著优势优于最先进的方法，表明了所提出模型的普适性和有效性。我们的代码将在 https://github.com/scott-yjyang/DiffMIC 公开。
引用
@article{arxiv.2303.10610,
title = {DiffMIC: Dual-Guidance Diffusion Network for Medical Image Classification},
author = {Yijun Yang and Huazhu Fu and Angelica I. Aviles-Rivero and Carola-Bibiane Schönlieb and Lei Zhu},
journal= {arXiv preprint arXiv:2303.10610},
year = {2023}
}