FlowSDF: Flow Matching for Medical Image Segmentation Using Distance Transforms

医学图像分割是一项关键任务，它依赖于准确识别和隔离医学图像中感兴趣区域的能力。因此，生成式方法允许捕捉与结构有关的分割掩模的统计特性。在本研究中，我们提出了FlowSDF，一种图像引导的条件流匹配框架，用于表示符号距离函数（SDF），从而导致分割掩模的隐式分布。利用SDF的优点是与二进制掩模相比，具有更自然的扭曲。通过学习与SDF条件分布的概率路径直接相关的向量场，我们可以准确地从分割掩模的分布中进行采样，从而允许评估统计量。因此，这种概率表示允许生成由方差表示的不确定性图，这可以在进一步分析中提高预测稳健性。我们在公共细胞核和腺体分割数据集上定性和定量地说明了所提出方法的竞争性能，并突出了它在医学图像分割应用中的实用性。

本文旨在解决医学图像分割中的重要问题，即如何准确地识别和隔离感兴趣的区域。

本文提出了一种基于条件流匹配框架的图像引导有符号距离函数（SDF）的方法，从而实现了分割掩模的隐式分布。

本文的亮点在于使用SDF代替二进制掩模，通过学习与SDF条件分布的概率路径直接相关的矢量场，可以准确地从分割掩模的分布中进行采样。此外，本文还提出了一种生成不确定性图的方法，可以通过方差来表示。本文在公共核和腺体分割数据集上进行了定性和定量实验，并取得了竞争性的性能。

最近在这个领域中，还有一些相关的研究，例如U-Net、Mask R-CNN、DeepLab等。