带有空间注意力和潜伏嵌入的条件扩散模型用于医疗图像分割
Behzad Hejrati1, Soumyanil Banerjee1, Carri Glide-Hurst2
1Department of Computer Science, Wayne State University, Detroit, MI, USA.
Medical image computing and computer-assisted intervention : MICCAI ... International Conference on Medical Image Computing and Computer-Assisted Intervention
|April 8, 2025
概括
我们开发了一种新的条件扩散模型 (cDAL),用于更快,更准确的医疗图像细分. 这种方法提高了细分质量,并减少了与现有方法相比的计算时间.
科学领域:
- 人工智能的人工智能
- 医疗成像医学成像
- 计算机视觉 计算机视觉
背景情况:
- 扩散模型对于图像生成是有效的,但计算密集.
- 准确的医学图像细分对于诊断和治疗规划至关重要.
- 现有的细分方法经常与复杂或微妙的解剖结构作斗争.
研究的目的:
- 引入一种新的条件扩散模型 (cDAL),用于增强医疗图像细分.
- 提高细分精度,特别是在歧视性地区.
- 为了加速培训和采样流程的扩散模型的细分任务.
主要方法:
- 提出了一个带有空间注意力和潜伏嵌入 (cDAL) 的条件扩散模型.
- 在每个传播时间步骤中集成了一个基于CNN的歧视器.
- 利用了从区分特征衍生出的空间注意力地图.
- 集成的随机潜伏嵌入来减少时间步骤.
主要成果:
- 在MoNuSeg,胸部X射线和海马体数据集上取得了显著的定性和定量改进.
- 与最先进的方法相比,证明了更高的子得分和平均交叉点 (mIoU).
- 展示了缩短的培训和采样时间,表明效率提高.
结论:
- cDAL为医疗图像细分提供了更快,更准确的解决方案.
- 空间注意力和潜伏嵌入的整合有效地提高了细分性能.
- 拟议的模型在将扩散模型应用于医疗图像分析方面取得了重大进展.
