HiDiff : Cadre de diffusion hybride pour la segmentation d'images médicales

La segmentation d'images médicales a considérablement progressé avec le développement rapide des techniques d'apprentissage profond (DL). Les modèles de segmentation basés sur DL existants sont généralement discriminatifs ; c'est-à-dire qu'ils visent à apprendre une correspondance entre l'image d'entrée et les masques de segmentation. Cependant, ces méthodes discriminatives négligent la distribution sous-jacente des données et les caractéristiques intrinsèques des classes, souffrant d'un espace de caractéristiques instable. Dans ce travail, nous proposons de compléter les méthodes de segmentation discriminatives par la connaissance de la distribution sous-jacente des données des modèles génératifs. À cette fin, nous proposons un nouveau cadre de diffusion hybride pour la segmentation d'images médicales, appelé HiDiff, qui peut synergiser les forces des modèles de segmentation discriminatifs existants et des nouveaux modèles de diffusion génératifs. HiDiff se compose de deux composants clés : un segmentateur discriminatif et un affiner de diffusion. Tout d'abord, nous utilisons n'importe quel modèle de segmentation conventionnel entraîné comme segmentateur discriminatif, qui peut fournir un masque de segmentation préalable pour l'affiner de diffusion. Ensuite, nous proposons un nouveau modèle de diffusion binaire de Bernoulli (BBDM) en tant qu'affiner de diffusion, qui peut affiner de manière efficace, efficiente et interactive le masque de segmentation en modélisant la distribution sous-jacente des données. Enfin, nous entraînons le segmentateur et le BBDM de manière alternative et collaborative pour se booster mutuellement. Des résultats expérimentaux approfondis sur des ensembles de données de segmentation d'organes abdominaux, de tumeurs cérébrales, de polypes et de vaisseaux rétiniens, couvrant quatre modalités largement utilisées, démontrent la performance supérieure de HiDiff par rapport aux algorithmes de segmentation médicale existants, y compris les modèles à la pointe de la technologie basés sur des transformeurs et sur la diffusion. De plus, HiDiff excelle dans la segmentation de petits objets et la généralisation à de nouveaux ensembles de données. Les codes sources sont disponibles sur https://github.com/takimailto/HiDiff.