56、医学图像分割的创新模型：Bernoulli扩散模型与DBTrans

医学图像分割的创新模型：Bernoulli扩散模型与DBTrans

在医学图像分割领域，准确且多样化的分割结果对于临床诊断至关重要。本文将介绍两种创新的模型：Bernoulli扩散模型（BerDiff）和DBTrans，它们分别在不同的医学图像分割任务中展现出了卓越的性能。

1. Bernoulli扩散模型（BerDiff）

BerDiff是一种用于医学图像二元分割任务的新型条件Bernoulli扩散模型，灵感来源于基于扩散的模型，如去噪扩散概率模型（DDPM）和DDIM。

1.1 Bernoulli前向过程

在先前与生成相关的扩散模型中，随着时间步长t的增加，会逐渐添加高斯噪声。但对于分割任务，真实掩码由离散值表示。为解决这个问题，BerDiff使用噪声调度β1, …, βT逐渐添加更多的Bernoulli噪声。

Bernoulli前向过程q(y1:T |y0)是一个马尔可夫链，可以表示为：
- (q (y_{1:T} | y_0) := \prod_{t=1}^{T} q (y_t | y_{t-1}))
- (q (y_t | y_{t-1}) := B(y_t; (1 - \beta_t)y_{t-1} + \beta_t/2))

其中，B表示具有概率参数((1 - \beta_t)y_{t-1} + \beta_t/2)的Bernoulli分布。使用符号(\alpha_t = 1 - \beta_t)和(\bar{\alpha} t = \prod {\tau=1}^{t}\alpha_{\tau})，可以有效地以封闭形式采样任意时间步长t的(y_t)：