BerDiff: Conditional Bernoulli Diffusion Model for Medical Image Segmentation

要約

タイトル：BerDiff：医療画像セグメンテーションのための条件付きベルヌーイ拡散モデル

要約：
– 医療画像セグメンテーションは、不確実性や曖昧な腫瘍の境界などの要因によって、困難なタスクです。
– セグメンテーションのマスクの精度と多様性は、臨床のラジオロジストに有用な情報を提供するために重要です。
– 既存の拡散モデルは、さまざまな視覚生成タスクにおいて強力な能力を示していますが、セグメンテーションにおいては離散的なマスクを扱うことが難しいとされています。
– 精度と多様性の両方を備えたセグメンテーションマスクを実現するために、医療画像セグメンテーションのための新しい条件付きベルヌーイ拡散モデル（BerDiff）を提案しています。
– ガウスノイズの代わりにベルヌーイノイズを拡散カーネルとして使用することで、二値セグメンテーションタスクのための拡散モデルの能力を強化し、より正確なセグメンテーションマスクを得ることができます。
– 拡散モデルの確率的な性質を利用して、BerDiffは複数回初期ベルヌーイノイズと中間潜在変数をランダムにサンプリングすることで、多様なセグメンテーションマスクを生成することができます。
– BerDiffは全体的な逆拡散のトラジェクトリから部分列を効率的にサンプリングすることができるため、セグメンテーションプロセスを高速化することができます。
– 異なるモダリティを持つ2つの医療画像セグメンテーションデータセットに対する実験結果は、BerDiffが最近公開された最新の最先端方法を上回ることを示しています。
– 結果から、拡散モデルは医療画像セグメンテーションの強力なバックボーンとして機能することができると考えられます。

要約(オリジナル)

Medical image segmentation is a challenging task with inherent ambiguity and high uncertainty, attributed to factors such as unclear tumor boundaries and multiple plausible annotations. The accuracy and diversity of segmentation masks are both crucial for providing valuable references to radiologists in clinical practice. While existing diffusion models have shown strong capacities in various visual generation tasks, it is still challenging to deal with discrete masks in segmentation. To achieve accurate and diverse medical image segmentation masks, we propose a novel conditional Bernoulli Diffusion model for medical image segmentation (BerDiff). Instead of using the Gaussian noise, we first propose to use the Bernoulli noise as the diffusion kernel to enhance the capacity of the diffusion model for binary segmentation tasks, resulting in more accurate segmentation masks. Second, by leveraging the stochastic nature of the diffusion model, our BerDiff randomly samples the initial Bernoulli noise and intermediate latent variables multiple times to produce a range of diverse segmentation masks, which can highlight salient regions of interest that can serve as valuable references for radiologists. In addition, our BerDiff can efficiently sample sub-sequences from the overall trajectory of the reverse diffusion, thereby speeding up the segmentation process. Extensive experimental results on two medical image segmentation datasets with different modalities demonstrate that our BerDiff outperforms other recently published state-of-the-art methods. Our results suggest diffusion models could serve as a strong backbone for medical image segmentation.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI