HiDiff: 用于医学图像分割的肴杂扩散框架| 文献速递-基于深度学习的多模态数据分析与生存分析

Title
标题
HiDiff: Hybrid Diffusion Framework for Medical Image Segmentation
HiDiff: 用于医学图像分割的肴杂扩散框架



01
文献速递先容
医学图像分割是将医学图像数据转化为故意义的、空间结构化的信息，如器官和肿瘤。随着深度学习（DL）技能的快速发展，这一范畴取得了显着进步。基于深度学习的分割方法在分别器官/肿瘤和淘汰人工资本方面表现了有效性。现在，现有的基于深度学习的分割方法，包罗基于卷积神经网络和视觉transformer的变体，通常利用交织熵或Dice丧失来学习从输入医学图像到分割掩码的映射函数。这种范式通常被称为辨别方法，直接学习图像像素的分类概率。只管这种方法很盛行，但它们仅关注在像素特性空间中学习类之间的决议边界，而未能捕捉底层数据分布，因此未能捕捉内涵的类特性。别的，它们学习到的特性空间不稳固，当阔别决议边界时性能敏捷降落，使得处置惩罚含糊边界和微小物体变得具有挑衅性。
相比之下，基于天生的方式起首建模输入数据和分割掩码的连合概率，然后利用学习到的连合概率评估给定输入图像的分割掩码的条件分布，末了输出掩码猜测。浩繁理论和实证研究表明，基于天生的方法由于直接建模底层数据分布，具有缓解其辨别对手相干限定的潜力。然而，值得注意的是，当代天生模子也面临挑衅，包罗训练不稳固和推理速率慢。这些挑衅促使人们探索联合辨别和天生分割方法的集成方法，以缓解这些题目。


Abstract
择要
医学图像分割随着深度学习（DL）技能的快速发展取得了显着进步。现有的基于深度学习的分割模子通常是辨别性的；即，它们旨在学习从输入图像到分割掩码的映射。然而，这些辨别方法忽视了底层数据分布和内涵种别特性，导致特性空间不稳固。在这项工作中，我们提出用天生模子的底层数据分布知识来增补辨别性分割方法。为此，我们提出了一种用于医学图像分割的新型肴杂扩散框架，称为HiDiff，它可以协同现有辨别性分割模子和新天生扩散模子的上风。HiDiff包罗两个关键组件：辨别分割器和扩散优化器。
起首，我们利用任何通例训练的分割模子作为辨别分割器，可以为扩散优化器提供分割掩码先验。其次，我们提出了一种新奇的二元伯努利扩散模子（BBDM）作为扩散优化器，通过建模底层数据分布，有效、高效和互动地优化分割掩码。第三，我们以瓜代协作的方式训练辨别分割器和BBDM，使它们相互促进。
在腹部器官、脑肿瘤、息肉和视网膜血管分割数据集上举行的大量实行结果，涵盖了四种广泛利用的模态，证明白HiDiff在现有医学分割算法（包罗开始辈的基于transformer和扩散模子的算法）上的良好性能。别的，HiDiff在分割小物体和推广到新数据集方面表现出色。源码可在https://github.com/takimailto/HiDiff得到。


Method
方法
To effectively, efficiently, and interactively synergize thestrengths of existing discriminative segmentors and the proposed BBDM, we propose a novel hybrid diffusion frameworkfor medical image segmentation, as shown in Fig. 2. In thissection, we first elaborate on existing discriminative segmentors and the proposed diffusion refiner in Secs. II-A and II-B,respectively. Finally, we detail our hybrid diffusion frameworkwith an alternate-collaborative training strategy in Sec. II-C.
为了有效、高效且互动地协同现有辨别分割器和提出的BBDM的上风，我们提出了一种用于医学图像分割的新型肴杂扩散框架，如图2所示。在本节中，我们起首分别在II-A和II-B节具体阐明现有的辨别分割器和提出的扩散优化器。末了，我们在II-C节具体先容了我们的肴杂扩散框架及其瓜代协作的训练战略。



Conclusion
结论
This paper proposed a novel hybrid diffusion framework,HiDiff, for medical image segmentation, which can synergizethe strengths of existing discriminative segmentation modelsand new generative diffusion models, i.e. BBDM. The noveltyof our BBDM lies in three-fold: (i) effective: Bernoulli-baseddiffusion kernel to enhance the diffusion models in modelingthe discrete targets of the segmentation task, (ii) efficient: thebinarized diffusion refiner to significantly improve efficiencyf