在扩散模型中引入形状先验模块用于医学图像分割
图像与视频处理
2023-09-13 v1 计算机视觉与模式识别
摘要
医学图像分割对于脊柱疾病的诊断与治疗至关重要。然而，高噪声、模糊性与不确定性的存在使该任务极具挑战。解剖边界不清、类间相似及标注不合理等因素加剧了此挑战。获取准确且多样的分割模板对支持临床放射科医生实践十分必要。近年来，去噪扩散概率建模（DDPM）已成为计算机视觉中的研究热点，并在图像去模糊、超分辨率、异常检测乃至像素级语义表征生成等多种视觉任务中展现出有效性。尽管现有扩散模型在视觉生成任务中表现鲁棒，仍难以处理离散掩码及其各类效应。为满足准确且多样的脊柱医学图像分割模板需求，我们提出一种称为 VerseDiff-UNet 的端到端框架，其利用了去噪扩散概率模型（DDPM）。我们将扩散模型集成至标准 U 形架构中，在每一步将加噪图像与标注掩码结合以准确引导扩散方向朝向目标区域。此外，为捕获医学图像中特定的解剖先验信息，我们引入了形状先验模块，该模块从输入脊柱图像中高效提取结构语义信息。我们在通过 X 射线成像获取的脊柱图像单一数据集上评估了该方法。结果表明，VerseDiff-UNet 在准确率上显著优于其他最优方法，同时保留了解剖的自然特征与变异。
引用
@article{arxiv.2309.05929,
title = {Introducing Shape Prior Module in Diffusion Model for Medical Image Segmentation},
author = {Zhiqing Zhang and Guojia Fan and Tianyong Liu and Nan Li and Yuyang Liu and Ziyu Liu and Canwei Dong and Shoujun Zhou},
journal= {arXiv preprint arXiv:2309.05929},
year = {2023}
}