用于减少胰腺分割中边缘不确定性的扩散概率多线索水平集方法
图像与视频处理
2024-04-12 v1 计算机视觉与模式识别
摘要
准确分割胰腺仍然是一个巨大的挑战。传统方法由于胰腺体积小且结构扭曲，在语义定位方面遇到困难，而深度学习方法则因对比度低和器官重叠而难以获得精确的边缘。为了克服这些问题，我们提出了一种基于扩散概率模型的多线索水平集方法，即 Diff-mcs。我们的方法采用由粗到精的分割策略。在粗分割阶段，我们使用扩散概率模型，获得的概率分布作为水平集方法的初始定位和先验线索。在精分割阶段，我们将先验线索与灰度线索和纹理线索相结合，通过最大化水平集曲线内外线索概率分布之间的差异来细化边缘。该方法在三个公开数据集上得到验证，并取得了最先进的性能，能够获得更准确的分割结果，且分割边缘的不确定性更低。此外，我们进行了消融研究和不确定性分析，以验证扩散概率模型为水平集方法提供了更合适的初始化。进一步地，当与多种线索结合时，水平集方法能更好地获取边缘并提高整体准确性。我们的代码可在 https://github.com/GOUYUEE/Diff-mcs 获取。
引用
@article{arxiv.2404.07620,
title = {Diffusion Probabilistic Multi-cue Level Set for Reducing Edge Uncertainty in Pancreas Segmentation},
author = {Yue Gou and Yuming Xing and Shengzhu Shi and Zhichang Guo},
journal= {arXiv preprint arXiv:2404.07620},
year = {2024}
}