Pancreatic Tumor Segmentation as Anomaly Detection in CT Images Using Denoising Diffusion Models

尽管医学方面已经取得了很大进展，但癌症仍然是一个严峻的挑战。特别是在胰腺肿瘤的情况下，由于其多样性和晚期诊断，早期检测对于有效治疗至关重要，这也是一个重大挑战。深度学习技术的进步，特别是监督算法，已经显著推动了医学领域中胰腺肿瘤的检测。然而，监督式深度学习方法需要大量标记的医学图像进行训练，但获取这些注释既有限又昂贵。相反，只需要图像级注释的弱监督异常检测方法引起了人们的关注。现有的方法主要依赖于生成对抗网络（GAN）或自编码器模型，这些模型在训练中可能存在复杂性，并且可能难以准确地保留图像的细节。本研究提出了一种新的胰腺肿瘤检测方法，采用弱监督异常检测和去噪扩散算法。通过结合确定性迭代过程和分类器指导的加噪和去噪过程，该方法实现了病态和健康主体之间图像的无缝转换，从而产生了详细的异常图，而无需复杂的训练协议和分割掩模。本研究探讨了去噪扩散模型作为传统生成模型（如GAN）的最新进展，为胰腺肿瘤检测领域做出了贡献。鉴于胰腺癌的低生存率，本研究强调需要继续研究如何利用扩散模型在医学分割任务中的效率。

本论文旨在解决胰腺肿瘤的早期检测问题，尤其是在缺乏标记医学图像的情况下。

论文提出了一种弱监督异常检测方法，通过去噪扩散算法实现胰腺肿瘤的检测，无需复杂的训练协议和分割掩模。

论文使用去噪扩散模型作为新型生成模型，探索了其在医学分割任务中的效率，强调了继续研究扩散模型在胰腺癌治疗中的重要性。

最近的相关研究包括基于GAN或自编码器模型的弱监督异常检测方法。