扩散概率多线索水平集用于减少胰腺分割中的边缘不确定性

Apr, 2024

扩散概率多线索水平集用于减少胰腺分割中的边缘不确定性

Diffusion Probabilistic Multi-cue Level Set for Reducing Edge Uncertainty in Pancreas Segmentation

Yue Gou, Yuming Xing, Shengzhu Shi, Zhichang Guo

TL;DR准确地划分胰腺仍然是一个巨大的挑战。为了克服传统方法和深度学习方法在语义定位和边缘精确性方面的困难，我们提出了一种基于扩散概率模型的多线索水平集方法，命名为 Diff-mcs。通过在粗分割阶段中应用扩散概率模型，我们使用获得的概率分布作为初始定位和先验线索，在精细分割阶段中，我们结合灰度线索和纹理线索以通过最大化线索内外的概率分布差异来改进边缘。该方法在三个公共数据集上验证并取得了最先进的性能，能够获得更准确的分割结果和较低不确定性的分割边缘。此外，我们还进行了剥离研究和不确定性分析，验证了扩散概率模型为水平集方法提供了更合适的初始化。此外，当与多个线索结合时，水平集方法可以更好地获得边缘并提高整体准确性。

Abstract

Accurately segmenting the pancreas remains a huge challenge. Traditional methods encounter difficulties in semantic localization due to the small volume and distorted structure of the pancreas, while deep learning methods encounter challenges in obtaining accurate edges because of low contrast and organ overlapping. To overcome these issues, we propose a

pancreas segmentation multi-cue level set method diffusion probabilistic model coarse-to-fine segmentation state-of-the-art performance

发现论文，激发创造

基于级联超像素和（深度）图像块标注的胰腺分割自下而上方法

该研究提出了一种基于分层信息传播的自下而上方法，使用不同分辨率的图像块分类和级联超像素，实现了腹部 CT 扫描中胰腺分割的鲁棒自动化，并比传统多阶段法更为高效。

May, 2015

标签高效的多器官分割方法与扩散模型

本研究提出了一种使用预训练扩散模型进行 CT 图像的多器官分割任务的标签高效学习方法，该方法仅需要少量标记数据，在有限标记数据场景下取得了竞争性的分割性能。

Feb, 2024

SegDiff: 基于扩散概率模型的图像分割

本研究提出了一种新方法，利用扩展后的扩散概率方法，通过端到端学习和使用编码器 - 解码器网络，对图像进行分割。该方法可以迭代地细化分割图，获得最终的分割结果，在多个基准数据集上获得了最先进的结果。

Dec, 2021

DeepOrgan: 多层深度卷积神经网络用于自动化胰腺分割

本文提出了一种基于 ConvNets 和 CT 扫描的分层粗到细分割方法，用于自动识别和分割腹部内器官，特别是胰腺。在 82 名患者的 CT 图像上进行了交叉验证，结果表明该方法可以实现高达 83.6％±6.3％的分割准确率。

Jun, 2015

使用扩散模型进行模糊医学图像分割

该研究提出了一种利用扩散模型和随机采样方法生成多个可行的医学图像分割结果的方法，这种方法应用于 CT、超声波和 MRI 图像时，不仅能够提高分割准确度而且能够捕捉自然变异，同时还提出了一种度量分割结果多样性的新指标。

Apr, 2023

探索深度网络中的不确定性度量以用于多发性硬化症病变检测和分割

研究探索了在深度神经网络中基于蒙特卡罗 Dropout 的多种不确定性估计方法，提供了四种不同的体素级别的不确定性度量，可用于医学图像中的病变检测和分割。经实验结果表明，使用不确定性度量能够比仅使用网络的 Sigmoid 输出作为概率选择更好的操作点。

Aug, 2018

DiffusionEdge: 弥散概率模型用于清晰边缘检测

使用扩散模型的编码器 - 解码器结构进行边缘检测，通过在潜空间中应用扩散概率模型进行数据去噪，并采用特定频率的自适应傅里叶滤波器调整潜在特征，最终实现稳定训练并预测准确清晰的边缘图。

Jan, 2024

基于多级全局上下文交叉一致性模型和扩散模型的半监督超声图像分割

我们提出了一种多级全局上下文一致性 (MGCC) 框架，它使用由潜在扩散模型 (LDM) 生成的图像作为半监督学习的未标记图像，针对医疗图像分割中全局上下文信息的缺失问题，解决了医疗图像注释工作负担和与其相关的隐私问题，该方法在公开和私人数据集上进行实验，证明了在分割网络中有效传递概率分布知识的能力，从而提高了分割准确性。

May, 2023

通过像素级不确定性估计实现通用性医学图像分割

本文提出一种新的基于不确定性估计的框架用于医学图像分割任务，以突出难以分类的像素，并提高深度神经网络的泛化能力。实验结果表明，该方法优于现有技术。

May, 2023

DiffSeg：一种基于扩散差异的皮肤病变分割模型

DiffSeg 基于扩散差异原理，利用扩散模型从具有多样的语义信息的图像中提取基于噪声的特征，识别出疾病区域，同时通过模拟医生的注释行为，可视化分割结果的一致性和模糊性，并使用广义能量距离（GED）量化输出不确定性，帮助医生解释和决策。最后，通过密集条件随机场（DenseCRF）算法整合输出，考虑像素之间的相关性，改善准确度并优化分割结果。我们在 ISIC 2018 Challenge 数据集中展示了 DiffSeg 的有效性，优于现有基于 U-Net 的方法。

Apr, 2024