Denoising Diffusions in Latent Space for Medical Image Segmentation

DPM模型在图像生成方面表现出色，通常优于其他生成模型。自引入以来，强大的噪声到图像去噪流程已经扩展到各种判别任务，包括图像分割。在医学成像的情况下，图像通常是大型的3D扫描，使用DPM对一个图像进行分割变得非常低效，因为需要大量的内存消耗和时间消耗的迭代采样过程。在这项工作中，我们提出了一个新颖的条件生成建模框架（LDSeg），用于医学图像分割中的潜在空间扩散。我们提出的框架利用了目标对象形状和源图像嵌入的学习固有低维潜在分布。潜在空间中的条件扩散不仅可以确保准确的n-D图像分割，而且可以缓解传统DPM基于分割的主要潜在问题：（1）大量的内存消耗，（2）时间消耗的采样过程和（3）前向/反向过程中的不自然噪声注入。LDSeg在三个具有不同成像模式的医学图像数据集上实现了最先进的分割精度。此外，我们展示了我们提出的模型相比传统的确定性分割模型更加稳健，可以潜在地解决医学成像领域的域漂移问题。代码可在以下网址找到：https://github.com/LDSeg/LDSeg。

论文旨在解决医学图像分割中传统扩散模型的内存消耗大、迭代采样过程费时和前/后向过程中的噪声注入等问题。同时，论文还试图通过提出的条件生成建模框架LDSeg解决医学图像分割中的域转移问题。

论文提出了一种在潜在空间中进行扩散的条件生成建模框架LDSeg，利用目标对象形状和源图像嵌入的低维潜在分布进行条件扩散，从而实现准确的n-D图像分割。相比传统扩散模型，LDSeg在内存消耗、采样过程和前/后向过程中的噪声注入等方面有了显著改进。

论文在三个不同成像模态的医学图像数据集上实现了最先进的分割精度。此外，论文还展示了LDSeg模型相比传统确定性分割模型更具鲁棒性，可以在解决医学图像领域转移问题方面发挥潜在作用。论文提供了开源代码。

最近的相关研究包括：1. DeepIGeoS: A Deep Interactive Geodesic Framework for Medical Image Segmentation；2. Conditional Diffusion Processes for Continual Learning；3. U-Net++: A Nested U-Net Architecture for Medical Image Segmentation。