用于医学图像处理的记忆高效三维去噪扩散模型

去噪扩散模型最近在许多图像生成任务中取得了最先进的性能。然而，它们确实需要大量的计算资源。这限制了它们在医学任务中的应用，其中我们经常处理大型 3D 体数据，例如高分辨率三维数据。在这项工作中，我们提出了若干种不同的方法来减少 3D 扩散模型的资源消耗，并将其应用于一个 3D 图像数据集。本文的主要贡献是记忆高效的基于块的扩散模型 \textit{PatchDDM}，它可以在推理时应用于整个体数据，而训练仅在块上进行。虽然所提出的扩散模型可应用于任何图像生成任务，我们在 BraTS2020 数据集的肿瘤分割任务上评估了该方法，并证明我们可以生成有意义的三维分割结果。