Medical image segmentation is a challenging task with inherent ambiguity and high uncertainty, attributed to factors such as unclear tumor boundaries and multiple plausible annotations. The accuracy and diversity of segmentation masks are both crucial for providing valuable references to radiologists in clinical practice. While existing diffusion models have shown strong capacities in various visual generation tasks, it is still challenging to deal with discrete masks in segmentation. To achieve accurate and diverse medical image segmentation masks, we propose a novel conditional Bernoulli Diffusion model for medical image segmentation (BerDiff). Instead of using the Gaussian noise, we first propose to use the Bernoulli noise as the diffusion kernel to enhance the capacity of the diffusion model for binary segmentation tasks, resulting in more accurate segmentation masks. Second, by leveraging the stochastic nature of the diffusion model, our BerDiff randomly samples the initial Bernoulli noise and intermediate latent variables multiple times to produce a range of diverse segmentation masks, which can highlight salient regions of interest that can serve as valuable references for radiologists. In addition, our BerDiff can efficiently sample sub-sequences from the overall trajectory of the reverse diffusion, thereby speeding up the segmentation process. Extensive experimental results on two medical image segmentation datasets with different modalities demonstrate that our BerDiff outperforms other recently published state-of-the-art methods. Our results suggest diffusion models could serve as a strong backbone for medical image segmentation.


翻译:医学图像分割是一项具有挑战性的任务,其固有的模糊性和高度不确定性归因于因素,例如不清晰的肿瘤边界和多个可行的注释。分割掩模的准确性和多样性对于为临床实践中的放射科医生提供宝贵的参考是至关重要的。虽然现有的扩散模型已经在各种视觉生成任务中展现了强大的能力,但在分割中处理离散掩模仍然具有挑战性。为了实现精确和多样的医学图像分割掩模,我们提出了一种新颖的基于条件伯努利扩散模型的医学图像分割方法(BerDiff)。 与使用高斯噪声不同,我们首先提出使用伯努利噪声作为扩散核,以增强扩散模型在二元分割任务中的能力,从而产生更精确的分割掩模。其次,通过利用扩散模型的随机性质,我们的BerDiff多次随机采样初始伯努利噪声和中间潜变量,以产生一系列不同的分割掩模,这些掩模可以突出感兴趣的显著区域,为放射科医生提供宝贵的参考。此外,我们的BerDiff能够有效地从反向扩散的整个轨迹中采样子序列,从而加快分割过程。对两个使用不同模态的医学图像分割数据集的广泛实验结果表明,我们的BerDiff优于其他最近发表的最先进方法。这些结果表明,扩散模型可以作为医学图像分割的强大支撑。

1
下载
关闭预览

相关内容

Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
vae 相关论文 表示学习 1
CreateAMind
12+阅读 · 2018年9月6日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2008年12月31日
Parallel Sampling of Diffusion Models
Arxiv
0+阅读 · 2023年5月25日
VIP会员
相关资讯
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
vae 相关论文 表示学习 1
CreateAMind
12+阅读 · 2018年9月6日
相关基金
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2008年12月31日
Top
微信扫码咨询专知VIP会员