可提示反事实扩散模型用于 MRI 脑肿瘤统一分割与生成
图像与视频处理
2024-07-18 v1
摘要
磁共振成像 (MRI) 中的脑肿瘤分析对于准确诊断和治疗规划至关重要。然而，由于肿瘤外观的复杂性和变异性，以及标注数据的稀缺，这项任务仍然具有挑战性。传统方法通常将肿瘤分割和图像生成分开处理，限制了它们捕捉健康与病理组织结构之间复杂关系的能力。我们引入了一种新颖的可提示反事实扩散模型，作为 MRI 中脑肿瘤分割与生成的统一解决方案。其关键创新在于我们在采样阶段的掩码级提示机制，该机制能够引导生成和操作 MRI 图像中特定的健康或非健康区域。具体而言，该模型的架构允许双向推理，既能分割现有图像中的肿瘤，也能在健康脑部扫描中生成逼真的肿瘤结构。此外，我们提出了一种用于肿瘤生成和位置迁移的两步法，展示了该模型在合成逼真肿瘤结构方面的多功能性。在 BRATS2021 数据集上的实验表明，我们的方法优于传统的反事实扩散方法，在肿瘤分割上实现了 0.653 的平均 IoU 和 0.785 的平均 Dice 分数，优于传统反事实扩散模型的 0.344 和 0.475。我们的工作有助于提高脑肿瘤检测和分割的准确性，对神经肿瘤学中的数据增强和临床决策支持具有潜在影响。代码可在 https://github.com/arcadelab/counterfactual_diffusion 获取。
引用
@article{arxiv.2407.12678,
title = {Promptable Counterfactual Diffusion Model for Unified Brain Tumor Segmentation and Generation with MRIs},
author = {Yiqing Shen and Guannan He and Mathias Unberath},
journal= {arXiv preprint arXiv:2407.12678},
year = {2024}
}