使用去噪扩散桥接模型生成健康的反事实样本
计算机视觉与模式识别
2025-10-16 v1
摘要
从病理图像生成健康的反事实样本在医学成像中具有巨大的潜力，例如在异常检测或应用设计为健康扫描的分析工具时。这些反事实样本应代表患者在 absence of pathology（无病理情况）下扫描会呈现什么样子，同时保留个体解剖特征，只修改病理区域。去噪扩散概率模型（DDPM）已成为生成病理数据健康反事实样本的流行方法。通常，这涉及仅使用健康数据进行训练，假设部分去噪过程无法建模疾病区域，将其重建为与健康状态高度匹配的替代品。更近期的方法已纳入合成病理图像，以更好地引导扩散过程。然而，仍然面临如何有效地平衡去除异常与保留主体特征的问题。为解决此问题，我们提出了去噪扩散桥接模型（DDBM）的一种新颖应用——这种模型不同于 DDPM，扩散过程不仅以初始点（即健康图像）为条件，也以最终点（即相应的合成病理图像）为条件。将病理图像作为结构性先验信息，使我们能够生成与患者解剖特征高度吻合，同时选择性地移除病理的反事实样本。结果表明，我们的 DDBM 在分割和异常检测任务中超越了以前提出的扩散模型和完全监督的方法。
引用
@article{arxiv.2510.13684,
title = {Generating healthy counterfactuals with denoising diffusion bridge models},
author = {Ana Lawry Aguila and Peirong Liu and Marina Crespo Aguirre and Juan Eugenio Iglesias},
journal= {arXiv preprint arXiv:2510.13684},
year = {2025}
}