通过医学图像细分的截断逆流程加速无声扩散概率模型.
Xutao Guo1, Yang Xiang2, Yanwu Yang1
1School of Electronics and Information Engineering, Harbin Institute of Technology (Shenzhen), Shenzhen, Guangdong, China; The Peng Cheng Laboratory, Shenzhen, Guangdong, China.
Computers in biology and medicine
|August 3, 2024
概括
加快消毒扩散概率模型 (ADDPM) 提高了医疗图像细分的效率和准确性. 这种新的方法显著减少了denoising步骤,通过可靠的细分和不确定性估计来改善临床决策.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算机视觉 计算机视觉
背景情况:
- 医疗图像细分需要对临床决策的高准确性和不确定性评估.
- 否认扩散概率模型 (DDPMs) 提供了细分和不确定性估计的潜力,但在效率和与噪声相关的错误方面面临挑战.
- 医疗成像中的现有DDPM受到由于噪音而导致的推断和预测不准确性缓慢的阻碍.
研究的目的:
- 利用扩散模型开发一种高效准确的医学图像细分方法.
- 解决目前用于医疗图像分割的DDPM中推断效率低和预测错误的局限性.
- 引入一种新的加速DDPM方法,以提高细分精度和不确定性量化.
主要方法:
- 为医疗图像细分提出了一种加速排泄扩散概率模型 (ADDPM).
- 从预细分得出的非高斯分布开始逆流程,以低噪音提前结束.
- 集成了一个单独的分段网络用于预分段和一个单阶段最终分段的无色化网络.
主要成果:
- ADDPM 显著减少了无声化步骤 (大约. 1/10 的香草 DDPMs).
- 在四个细分任务的实验结果显示,ADDPM的性能优于香草 DDPM和其他加速 DDPM 方法.
- ADDPM展示了优越的细分性能和有效的不确定性估计.
结论:
- ADDPM为医疗图像细分提供了高效和准确的解决方案.
- 该方法有效地降低了计算成本,同时保持或提高了细分质量.
- ADDPM可以很容易地与现有的细分模型集成,以提高其性能并提供不确定性见解.
