FDiff-Fusion：基于模糊学习的去噪扩散融合网络用于三维医学图像分割
计算机视觉与模式识别
2024-08-06 v1
摘要
近年来，去噪扩散模型在图像分割建模中取得了显著成功。凭借其强大的非线性建模能力和优越的泛化性能，去噪扩散模型已逐渐应用于医学图像分割任务，为该领域带来了新的视角和方法。然而，现有方法忽略了分割边界的不确定性和区域的模糊性，导致分割结果的不稳定性和不准确性。为解决这一问题，本文提出了一种基于模糊学习的去噪扩散融合网络（FDiff-Fusion）用于三维医学图像分割。通过将去噪扩散模型集成到经典的U-Net网络中，该模型能够有效提取输入医学图像中的丰富语义信息，从而为医学图像分割提供优秀的像素级表示。……最后，为验证FDiff-Fusion的有效性，我们在BRATS 2020脑肿瘤数据集和BTCV腹部多器官数据集上将其与现有的先进分割网络进行了比较。结果表明，FDiff-Fusion在这两个数据集上显著提升了Dice分数和HD95距离，证明了其在医学图像分割任务中的优越性。
引用
@article{arxiv.2408.02075,
title = {FDiff-Fusion:Denoising diffusion fusion network based on fuzzy learning for 3D medical image segmentation},
author = {Weiping Ding and Sheng Geng and Haipeng Wang and Jiashuang Huang and Tianyi Zhou},
journal= {arXiv preprint arXiv:2408.02075},
year = {2024}
}
备注
This paper has been accepted by Information Fusion. Permission from Elsevier must be obtained for all other uses, in any current or future media. The final version is available at [doi:10.1016/J.INFFUS.2024.102540]