用于脑部 MRI 病灶检测的基于差异的扩散模型
计算机视觉与模式识别
2024-05-09 v1 人工智能
摘要
扩散概率模型在计算机视觉任务中展现出了显著的有效性，特别是在图像生成方面。然而，其显著的性能严重依赖标注数据集，这由于相关的高昂标注成本而限制了它们在医学图像中的应用。当前用于医学图像病灶检测的与 DPM 相关的方法可分为两种不同途径，主要依赖图像级标注。第一种方法基于异常检测，涉及学习参考健康大脑表示，并基于推理结果的差异识别异常。相比之下，第二种方法类似于分割任务，仅使用原始大脑多模态作为先验信息来生成像素级标注。在本文中，我们提出的用于脑部 MRI 病灶检测的模型——差异分布医学扩散（DDMD）——引入了一种新颖的框架，该框架结合了独特的差异特征，偏离了对图像级标注或原始大脑模态的常规直接依赖。在我们的方法中，图像级标注的不一致性被转化为异构样本之间的分布差异，同时保留了同构样本内的信息。这一特性保留了像素级的不确定性，并促进了分割的隐式集成，最终增强了整体检测性能。在包含用于脑肿瘤检测的多模态 MRI 扫描的 BRATS2020 基准数据集上进行的详尽实验表明，与 SOTA 方法相比，我们的方法具有出色的性能。
引用
@article{arxiv.2405.04974,
title = {Discrepancy-based Diffusion Models for Lesion Detection in Brain MRI},
author = {Keqiang Fan and Xiaohao Cai and Mahesan Niranjan},
journal= {arXiv preprint arXiv:2405.04974},
year = {2024}
}