NNDM：基于NN-UNet扩散模型的脑肿瘤分割
计算机视觉与模式识别
2025-10-14 v1
摘要
准确检测和分割磁共振成像（MRI）中的脑肿瘤对于有效诊断和治疗计划至关重要。尽管卷积神经网络（CNN）如U-Net等已取得显著进展，但现有模型常面临泛化性差、边界精度不足以及数据多样性有限等挑战。为此，本文提出NNDM（NN_UNet Diffusion Model），一种新型混合框架，将NN-UNet的稳健特征提取与扩散概率模型的生成能力相结合。在我们的方法中，扩散模型通过学习预测掩码与真实掩码之间的残差分布，逐步细化NN-UNet生成的分割掩码。这一迭代去噪过程使模型能够纠正细部结构不一致，增强肿瘤边界描绘。在BraTS 2021数据集上进行实验，结果表明NNDM在常规U-Net和基于变换器的基线方法上实现了卓越的性能，Dice系数和滞后 Hausdorff距离等指标均取得显著提升。此外，扩散引导的细化提升了跨模态和肿瘤亚区域的鲁棒性。该提出的NNDM确立了将确定性分割网络与随机扩散模型相结合的新方向，推动了自动化脑肿瘤分析的技术进步。
引用
@article{arxiv.2510.09681,
title = {NNDM: NN_UNet Diffusion Model for Brain Tumor Segmentation},
author = {Sashank Makanaboyina},
journal= {arXiv preprint arXiv:2510.09681},
year = {2025}
}