基于去噪扩散模型的胰腺肿瘤 CT 图像异常检测分割

尽管医学领域取得了进步，癌症仍然是一个巨大的挑战。尤其在胰腺肿瘤情况下，这类肿瘤具有多样性和晚期诊断，早期检测提出了重大挑战，对于有效治疗至关重要。深度学习技术，特别是监督式算法的发展，显著推动了胰腺肿瘤检测。然而，监督式深度学习方法需要大量标记医学图像进行训练，而获取此类标注资料受限且成本高昂。相反，基于弱监督的异常检测方法只需要图像级标注，因而受到关注。现有方法主要依赖生成对抗网络（GAN）或自编码器模型，这些模型在训练时可能存在复杂性，并且可能难以准确保留细节图像。本研究提出一种新方法，用于胰腺肿瘤检测，采用去噪扩散算法进行弱监督异常检测。通过引入确定性的噪声添加与移除过程以及分类器引导，方法实现了受疾病与健康主体之间的图像平滑转换，生成详细的异常图，而无需复杂的训练协议和分割掩码。本研究探讨了去噪扩散模型作为传统生成模型（如 GAN）的最新进展，为胰腺肿瘤检测领域贡献了新的方法。鉴于胰腺癌的低存活率，本研究强调需要持续研究以利用扩散模型在医学分割任务中的效率。