零-shot biomedical 图像分割的自注意力扩散模型

为医学图像产生高质量分割掩码是生物医学图像分析中的根本挑战。近期研究探索了大规模监督训练以实现跨各种医学成像模态的分割，或采用无监督训练以便无需密集注释实现分割。然而，在无需任何注释的情况下构建能够对各种医学图像进行零-shot 分割的模型仍是重大难题。本文引入 Attention Diffusion Zero-shot Unsupervised System (ADZUS)，一种新方法，利用自注意力扩散模型进行零-shot 生物医学图像分割。ADZUS 利用预训练扩散模型的内在能力，发挥其生成和判别潜能，以无需标记训练数据或先验领域特定知识来分割医学图像。详细阐述了 ADZUS 的体系结构，突出其集成自注意力机制以促进上下文感知和细节敏感分割的特点。实验结果显示，ADZUS 在各种医学成像数据集上实现了最先进的性能，包括皮肤病灶分割、胸部 X 光感染分割和白细胞分割。在不同分割任务中，ADZUS 的 Dice 分数范围为 88.7%至 92.9%，IoU 分数范围为 66.3%至 93.3%，显著提升了对新型未见医学图像的处理能力。值得注意的是，尽管 ADZUS 在零-shot 设置下表现出高效，但需要大量计算资源和延长的处理时间。该模型在零-shot 环境下的高效性凸显了其减少对昂贵注释依赖、无缝适应新医学成像任务的潜力，从而拓展了 AI 驱动医学成像技术的诊断能力。