HiDiff: Hybrid Diffusion Framework for Medical Image Segmentation

随着深度学习技术的快速发展，医学图像分割得到了显著的进展。现有的基于深度学习的分割模型通常是判别式的，即它们旨在从输入图像到分割掩模的映射。然而，这些判别式方法忽略了底层数据分布和内在类别特征，导致特征空间不稳定。在本文中，我们提出了一种将生成模型的底层数据分布知识与判别式分割方法相结合的方法。为此，我们提出了一种新的医学图像分割混合扩散框架，称为HiDiff，它可以协同利用现有的判别式分割模型和新的生成扩散模型的优势。HiDiff包括两个关键组件：判别式分割器和扩散细化器。首先，我们利用任何传统的训练过的分割模型作为判别式分割器，它可以为扩散细化器提供分割掩模先验。其次，我们提出了一种新的二元伯努利扩散模型（BBDM）作为扩散细化器，通过建模底层数据分布，可以有效、高效、交互式地细化分割掩模。第三，我们以交替协作的方式训练分割器和BBDM，相互提升。对腹部器官、脑肿瘤、息肉和视网膜血管分割数据集进行了广泛的实验，涵盖了四种广泛使用的模态，证明了HiDiff相对于现有的医学分割算法，包括最先进的转换器和扩散基础算法的卓越性能。此外，HiDiff在分割小物体和推广到新数据集方面表现出色。源代码可在 https://github.com/takimailto/HiDiff 上获得。

论文旨在解决医学图像分割中现有深度学习方法忽略数据分布和内在类别特征导致特征空间不稳定的问题，提出一种基于生成扩散模型的混合扩散框架，用于医学图像分割。

论文提出一种新的混合扩散框架，将现有的判别式分割模型与新的生成式扩散模型相结合，以模拟数据分布和内在类别特征，从而提高医学图像分割的性能。

论文提出的HiDiff框架在四个常用模态的医学图像分割数据集上进行了广泛的实验，包括腹部器官、脑肿瘤、息肉和视网膜血管分割，表现出优异的性能，尤其是在小物体分割和新数据集上的泛化能力。此外，论文提供了开源代码。

最近的相关研究包括基于转换器和扩散模型的医学图像分割算法，如Transformer-UNet和Deep Diffusion Convolutional Neural Network。