跨域医疗图像分割的域通用离散扩散模型

科学领域:

• 医疗成像医学成像
• 计算机视觉 计算机视觉
• 机器学习 机器学习

背景情况:

• 域名转移显著降低了医疗图像细分模型在未见数据上的性能.
• 采集协议和模式的变化会导致领域转移,限制模型的通用性.

研究的目的:

• 开发一种基于扩散的新型生成模型,用于医疗图像细分中的单源域概括.
• 提高细分模型的稳定性和跨领域性能.

主要方法:

• 引入了对细分的域通用离散扩散模型 (DG-DDM-Seg).
• 从条件图像中采用强大的特征提取,以确保域独立.
• 采用双路反向扩散工艺,具有强大的功能和伪标签用于训练.

主要成果:

• DG-DDM-Seg在跨领域医疗图像细分方面取得了最先进的表现.
• 在模式,序列和位置的域移动中证明了有效性.
• 该模型为未见域生成分段化面具的离散条件分布.

结论:

• 总局-DDM-Seg有效地解决了医疗图像细分中的领域转移问题.
• 拟议的方法提高了域独立性和跨域细分的准确性.
• 基于扩散的方法为一般化医疗图像分析提供了一个有希望的方向.