CT-based brain ventricle segmentation via diffusion Schrödinger Bridge without target domain ground truths

高效准确地从临床CT扫描中分割脑室对于脑室造口等急诊手术至关重要。由于软组织对比度差和临床脑CT的标注数据库稀缺等挑战，我们引入了一种新颖的不确定性感知脑室分割技术，无需CT分割基本事实，利用基于扩散模型的域自适应方法。具体而言，我们的方法采用扩散薛定谔桥和注意力循环残差U-Net，利用未配对的CT和MRI扫描，从MRI的扫描中推导出自动CT分割，MRI更易于获取。重要的是，我们提出了一个端到端的图像翻译和分割任务的联合训练框架，并展示了它相对于单独训练任务的好处。通过将所提出的方法与使用两种不同GAN模型进行域自适应的类似设置进行比较（CycleGAN和CUT），我们还揭示了扩散模型对于改进分割和图像翻译质量的优势。我们提出的方法的Dice分数为0.78±0.27，优于比较方法，包括SynSeg-Net，同时提供直观的不确定度度量，进一步促进自动分割结果的质量控制。我们所提出的方法的实现可在以下网址中找到：https://github.com/HealthX-Lab/DiffusionSynCTSeg。

论文旨在解决从临床CT扫描中高效准确地分割脑室的问题，以便进行紧急手术。但由于软组织对比度差和缺乏良好注释的数据库，这是一个具有挑战性的问题。

论文提出了一种新颖的不确定性感知脑室分割技术，通过利用基于扩散模型的域自适应方法，无需CT分割基本事实即可从MRI扫描中自动获取CT分割。具体来说，该方法采用扩散薛定谔桥和注意力循环残差U-Net，利用未配对的CT和MRI扫描来推导自动CT分割。重要的是，我们提出了一种图像翻译和分割任务的端到端联合训练框架，并证明了其相对于单独训练任务的优势。

论文通过比较使用两种不同的GAN模型（CycleGAN和CUT）进行域自适应的类似设置，揭示了扩散模型相对于改进分割和图像翻译质量的优势。该方法的Dice分数为0.78±0.27，优于SynSeg-Net，并提供直观的不确定性措施以进一步促进自动分割结果的质量控制。该论文的实现可在GitHub上获得。

近期的相关研究包括使用GAN进行域自适应的分割方法，如CycleGAN、CUT和DualGAN等。