49、医学边界扩散模型：革新皮肤病变分割的新方法

医学边界扩散模型：革新皮肤病变分割的新方法

1. 背景与动机

皮肤病变的分割在皮肤癌的疾病诊断和治疗规划中是一项关键任务。传统的手动病变分割不仅耗时，还容易受到观察者之间和观察者内部的差异影响。为了提高临床工作流程的效率和准确性，多年来已经开发了许多自动皮肤病变分割模型。这些模型通过多尺度特征融合、注意力机制等技术增强了特征表示，显著提高了皮肤病变分割的性能。

然而，当前的皮肤病变分割模型在处理边界模糊、尺度极具挑战性的病变时仍然面临困难。这些情况在临床实践中经常遇到，即使是最先进的分割模型也难以取得准确和一致的结果。一些方法试图通过结合局部和全局上下文以及多任务监督来优化模型架构，另一些则通过收集更多标记数据和构建更大的模型来提高性能，但这些策略成本高昂，并且受到皮肤病变边界固有复杂性的限制。

2. 多尺度边界问题

不同尺度的皮肤病变分割需要不同的策略：
- 小病变 ：将较低深度的特征转移到较高深度的卷积层可以避免丢失局部上下文。
- 大病变 ：通过扩张卷积扩大感受野，甚至使用全局注意力机制可以捕捉长距离依赖关系，从而改善边界决策。

多尺度病变还会导致训练波动，小病变通常会导致较大的 Dice 损失。提供更多的边界感知监督可以在一定程度上减少这些负面影响。最新的变压器模型 Xbound - Former 通过跨尺度边界学习全面解决了多尺度边界问题，在大小病变上都取得了更高的性能。

3. 医学边界扩散模型（MB - Diff）的提出

为了解决当前模型的局限性，我们提出了一种新颖的方法——医学边界扩散