MedSegDiff：Medical Image Segmentation with Diffusion Probabilistic Model
论文地址¶
MedSegDiff: Medical Image Segmentation with Diffusion Probabilistic Model
摘要¶
Cite
扩散概率模型（DPM）最近成为计算机视觉中最热门的话题之一。其图像生成应用如Imagen、潜在扩散模型和稳定扩散等，显示出令人印象深刻的生成能力， 引起了社会的广泛讨论。最近的许多研究还发现它在许多其他视觉任务中很有用，例如图像去模糊，超分辨率和异常检测。受到DPM成功的启发， 我们提出了第一个基于DPM的模型，用于一般医学图像分割任务，我们将其命名为MedSegDiff。为了增强DPM对医学图像分割的逐步区域关注， 我们提出了动态条件编码，为每个采样步骤建立状态自适应条件。我们进一步提出了特征频率解析器（FF-Parser）， 以消除高频噪声分量在此过程中的负面影响。我们用不同的图像模式验证了MedSegDiff在三个医学分割任务上，即眼底图像上的视杯分割， MRI图像上的脑肿瘤分割和超声图像上的甲状腺结节分割。实验结果表明，MedSegDiff优于现有（SOTA）方法，存在相当大的性能差距， 表明所提模型的推广性和有效性。
方法¶
结论¶
Cite
在本文中，我们提供了一种基于DPM的通用医学图像分割方案，名为MedSegDiff。我们提出了两种新技术来保证它的性能， 即动态条件编码和FF-Parser。比较实验是在具有不同图像模式的三个医学图像分割任务上进行的，这表明我们的模型优于以前的SOTA。 作为通用医学图像分割中的第一个DPM应用，我们相信MedSegDiff将成为未来研究的重要基准。