13、医学图像分割：分布选择与扩散动力学模型的突破

医学图像分割：分布选择与扩散动力学模型的突破

在医学图像分割领域，分布的选择以及如何有效利用图像信息进行分割是关键问题。本文将探讨均匀分布与正态分布在医学图像分割中的应用，以及一种创新的扩散动力学模型（DKM）在乳腺癌DCE - MRI分割中的应用。

1. 分布选择：均匀分布与正态分布

在医学图像分割中，随机采样增强统计量时，选择合适的分布至关重要。为了验证均匀分布的优势，研究人员进行了实验，将联合分割OD和OC时使用的均匀分布替换为正态分布N(0.5, 1)，并比较了它们的效果。实验结果表明，由于搜索空间有限，正态分布会导致性能下降。

2. TriD方法：基于域随机化的多源域泛化

TriD是一种基于域随机化的多源域泛化方法，用于医学图像分割。为了解决现有方法的局限性，TriD通过两个步骤对中间特征进行扰动：
- SR（随机采样） ：从均匀分布中随机采样增强统计量，以扩展特征风格的搜索空间。
- SM（特征混合） ：混合特征风格，以学习显式的域不变表示。

通过在两个不同模态的医学分割任务上进行广泛实验，TriD被证明比基线方法和其他先进的域泛化（DG）方法具有更优越的性能。

3. 乳腺癌DCE - MRI分割的挑战与现状

动态对比增强磁共振成像（DCE - MRI）在乳腺癌的早期诊断和治疗中应用广泛。准确分割DCE - MRI中的肿瘤区域对于计算机辅助诊断（CAD）和手术规划等临床任务至关重要。然而，现有方法通常需要完整的DCE - MRI序列，而获取完整的时间序列，尤其是对比后图像，存在困难，这限