DiffuSeg:用于医疗图像分割的域驱动扩散

科学领域:

• 医疗成像医学成像
• 机器学习 机器学习
• 计算机视觉 计算机视觉

背景情况:

• 用于细分的监督机器学习正在增加,但手动注释是昂贵的,容易出现错误.
• 深度学习模型面临的挑战是训练和测试数据之间的分布转移,特别是在医学成像中.
• 当目标域注释不可用时,现有的方法在细分精度方面扎.

研究的目的:

• 引入DiffuSeg,用于合成医疗图像的条件扩散模型,以改善细分任务.
• 为了应对数据分布的挑战,医疗图像细分中的数据转移.
• 为了实现培训细分模型,而不需要对目标领域进行新的人类注释.

主要方法:

• 开发了DiffuSeg,这是一种用于医疗图像数据的新型条件扩散模型.
• 采用特征因子化变量自编码器,为扩散模型提供条件信息.
• 利用现有的标签地图和未标签的目标域图像进行图像合成.

主要成果:

• 与基线相比,DiffuSeg在图像生成和细分精度方面都取得了显著的改进.
• 该方法在培训期间缺乏目标数据集注释的场景中表现出特别高的有效性.
• 成功应用于MNIST,视网膜底血管细分和MRI心脏细分.

结论:

• DiffuSeg有效地合成了目标域中的新图像,利用现有的标签和未标签的数据.
• 拟议的方法克服了手动注释和医疗图像细分中的分布转移的局限性.
• 在数据稀缺的医学成像场景中,DiffuSeg为训练准确的细分模型提供了一个有希望的方向.