用于医学图像合成与分割的噪声一致性孪生扩散模型
计算机视觉与模式识别
2025-05-12 v1
摘要
深度学习已经彻底改变了医学图像分割，但其全部潜力仍然受到标注数据集稀缺的限制。虽然扩散模型已成为一种有前景的方法，用于生成合成图像-掩码对来增强这些数据集，但它们却自相矛盾地遭受着它们旨在缓解的同样数据稀缺挑战。传统的仅掩码模型通常由于无法充分捕捉形态学复杂性而产生低保真度图像，这可能严重损害分割模型的鲁棒性和可靠性。为了缓解这一限制，我们引入了孪生扩散模型（Siamese-Diffusion），这是一种新颖的双组件模型，包含掩码扩散（Mask-Diffusion）和图像扩散（Image-Diffusion）。在训练期间，在这两个组件之间引入噪声一致性损失，以增强掩码扩散在参数空间中的形态学保真度。在采样期间，仅使用掩码扩散，确保了多样性和可扩展性。全面的实验证明了我们方法的优越性。孪生扩散模型在息肉数据集上将 SANet 的 mDice 和 mIoU 分别提升了 3.6% 和 4.4%，而在 ISIC2018 数据集上，UNet 的 mDice 和 mIoU 分别提升了 1.52% 和 1.64%。代码可在 GitHub 获取。
引用
@article{arxiv.2505.06068,
title = {Noise-Consistent Siamese-Diffusion for Medical Image Synthesis and Segmentation},
author = {Kunpeng Qiu and Zhiqiang Gao and Zhiying Zhou and Mingjie Sun and Yongxin Guo},
journal= {arXiv preprint arXiv:2505.06068},
year = {2025}
}
备注
Accepted by CVPR2025