DiffOSeg：基于多专家协作扩散模型的全能医学图像分割
计算机视觉与模式识别
2025-09-09 v2
摘要
注释变量性仍是医学图像分割中的一个重大挑战，源于模糊的图像边界和多样化的临床专业知识。传统的深度学习方法产生的单一确定性分割预测往往无法捕捉这些注释者偏差。虽然最近的研究探索了多评审者分割，但现有方法通常只关注单一视角——要么生成概率性“共识标准”，要么保留专家-specific 偏好——因此难以提供更全面的视角。本研究提出 DiffOSeg，一个两阶段扩散框架，旨在同时实现共识驱动（结合所有专家意见）和偏好驱动（反映专家个人评估）的分割。阶段 I 通过概率共识策略建立人群共识，而阶段 II 通过自适应提示捕获专家-specific 偏好。在两个公开数据集（LIDC-IDRI 和 NPC-170）上进行实验，结果表明我们的模型在所有评估指标上均优于现有最先进的方法。源代码可在 https://github.com/string-ellipses/DiffOSeg 上获取。
引用
@article{arxiv.2507.13087,
title = {DiffOSeg: Omni Medical Image Segmentation via Multi-Expert Collaboration Diffusion Model},
author = {Han Zhang and Xiangde Luo and Yong Chen and Kang Li},
journal= {arXiv preprint arXiv:2507.13087},
year = {2025}
}