基于扩散模型的标签高效多器官分割
计算机视觉与模式识别
2025-03-21 v2
摘要
计算机断层扫描（CT）图像中多个器官的准确分割在计算机辅助诊断系统中起着至关重要的作用。虽然最近提出了各种监督学习方法，但这些方法严重依赖大量高质量标注数据，而在实践中获取这些数据成本高昂。为应对这一挑战，我们提出了一种标签高效框架，利用预训练扩散模型的知识迁移进行 CT 多器官分割。具体而言，我们首先在 207,029 张未标注的 2D CT 切片上预训练去噪扩散模型，以捕捉解剖模式。随后，将模型骨干迁移至下游多器官分割任务，并使用少量标注数据进行微调。在微调过程中，采用了线性分类和解码器微调两种策略，以在保留所学表示的同时增强分割性能。定量结果表明，预训练的扩散模型能够生成多样且逼真的 256x256 CT 图像（Fr\'echet 初始距离 (FID): 11.32，空间 Fr\'echet 初始距离 (sFID): 46.93，F1-score: 73.1%）。与最先进的多器官分割方法相比，我们的方法在 FLARE 2022 数据集上取得了具有竞争力的性能，特别是在标注数据有限的场景中。在使用 1% 和 10% 标注数据微调后，我们的方法分别达到了 71.56% 和 78.51% 的 Dice 相似系数（DSCs）。值得注意的是，该方法仅使用四张标注 CT 切片就达到了 51.81% 的 DSC 分数。这些结果证明了我们方法在克服高度依赖大规模标注数据的监督学习方法局限性方面的有效性。
引用
@article{arxiv.2402.15216,
title = {Label-efficient multi-organ segmentation with a diffusion model},
author = {Yongzhi Huang and Fengjun Xi and Liyun Tu and Jinxin Zhu and Haseeb Hassan and Liyilei Su and Yun Peng and Jingyu Li and Jun Ma and Bingding Huang},
journal= {arXiv preprint arXiv:2402.15216},
year = {2025}
}