Apr, 2024

DiffSeg：一种基于扩散差异的皮肤病变分割模型

PDF
TL;DRDiffSeg 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。
weakly supervised medical image segmentationgenerative modelsdiffsegskin lesionsdense conditional random field
发现论文，激发创造
  • DermoSegDiff: 一种边界感知的皮肤病变分割扩散模型

    皮肤病变分割在皮肤病的早期检测和准确诊断中起着至关重要的作用。本论文提出了一种新的框架 DermoSegDiff，它在学习过程中融入边界信息，并引入了一种新的损失函数来优先考虑边界，并逐渐降低其他区域的重要性。我们还引入了一种基于 U-Net 的去噪网络，在网络内部高效地集成了噪声和语义信息。在多个皮肤分割数据集上的实验结果表明，DermoSegDiff 相比现有的 CNN、Transformer 和扩散方法在各种情况下均具有优越性，展示了其效果和泛化能力。该实现可在 GitHub 上公开访问。

    Aug, 2023

  • 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

  • 通过视觉和文本提示增强皮肤镜病变分割的扩散模型

    应用扩散模型结合病灶特定的视觉和文本提示生成皮肤镜检测图像，相对于传统生成模型在图像质量和皮损分割性能上表现更优，SSIM 图像质量指标提高 9%，Dice 系数超过先前方法 5% 以上。

    Oct, 2023

  • BerDiff: 医学图像分割的条件伯努利扩散模型

    提出了一种基于 Bernoulli 扩散模型的医学图像分割方法，可以生成多样化的分割掩模，可以突出感兴趣的区域作为放射科医师的有价值的参考，并且在两个医学图像分割数据集中表现出比其他最先进的方法更好的效果。

    Apr, 2023

  • 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

  • 医学图像扩散分割分析

    对扩散分割与图像生成之间的区别进行分析和讨论，重点关注训练行为，评估直接用于分割的扩散分割架构的表现，以及不同医学分割任务对扩散分割行为的影响及相应的扩散过程的调整方法。通过这些分析，旨在为未来扩散分割方法的设计和评估提供深入见解。

    Mar, 2024

  • Re-DiffiNet：利用扩散建模肿瘤分割中的差异

    通过使用 DDPM 模型，我们介绍了一种名为 Re-Diffinet 的框架，用于建模分割模型与真实情况之间的差异，从而提高肿瘤分割的 Dice 评分 0.55% 和 HD95 16.28% 的准确性。

    Feb, 2024

  • DiffusionSeg: 适应扩散的非监督物体发现

    本文提出了 DiffusionSeg 框架，利用预训练和扩散模型实现无监督物体发现，并采用合成 - 利用两阶段策略来缓解数据不足和结构差异问题，采用反演技术将图像映射回扩散特征，通过大量实验验证了该方法的优越性。

    Mar, 2023

  • 弱监督医学图像分割的条件扩散模型

    本研究利用条件性传播模型中的类别信息来获取仅基于图像级注释的目标对象预测掩码，并且超越了先前的方法在两个公共医学图像分割数据集上的表现。

    Jun, 2023

  • 单步反向过程稳定的生物医学图像扩散分割

    通过稳定扩散（SD）模型，我们引入了第一个潜伏扩散分割模型 ——SDSeg，该模型在医学图像分割中克服了资源和时间需求大、多步反向过程和多个样本预测可靠性等挑战，实验证明它在包含不同成像模态的五个基准数据集上胜过现有的最新方法。

    Jun, 2024