84、基于条件扩散模型的弱监督医学图像分割方法

基于条件扩散模型的弱监督医学图像分割方法

在医学领域，图像分割对于疾病诊断、治疗规划和异常监测至关重要。弱监督语义分割（WSSS）由于能大幅降低获取分割掩码所需的密集像素级标注成本，受到了医学图像界的广泛关注。本文将介绍一种基于条件扩散模型（CDM）的新型WSSS框架，该框架在脑肿瘤和肾脏分割任务中展现出了优异的性能。

背景与动机

医学图像分割是一项关键任务，而WSSS通过使用如图像级标签、边界框、涂鸦或点标注等更容易获取的训练标签，降低了标注成本。在WSSS领域，以往的工作主要由类激活图（CAM）及其变体主导。同时，去噪扩散模型在图像合成方面表现出色，也有一些工作探索了其在语义分割中的应用。然而，将扩散模型应用于WSSS仍有很大的改进空间。

现有使用扩散模型进行WSSS的方法存在一些局限性。例如，Wolleb等人的方法利用外部分类器引导反向马尔可夫链，但该方法基于分类器能准确定位目标对象且去噪时背景不变的假设，这一假设并不总是成立，且重建误差会累积，推理时间也较长。相比之下，CAM方法只需一次推理即可获得显著性图。

方法介绍

训练条件去噪扩散模型

假设我们有一个来自分布$D(x|y)$的样本$x_0$，其中$y$是条件。在本文中，$y$表示二元分类标签，如有无肿瘤。我们逐步向原始图像样本添加不同级别的高斯噪声：
- $q(x_t|x_{t - 1}, y) := N(x_t|y; \sqrt{1 - \beta_t}x_{t - 1}|y, \beta_tI)$
- $q(x_t|x_0, y) := N(x_t|y; \sqrt{\bar{\alpha} t}x_0|y, (1