Robust semi-supervised segmentation with timestep ensembling diffusion models

要約

医療画像のセグメンテーションは困難な作業であり、多くのデータセットのサイズとアノテーションが制限されているため、さらに困難になっています。
ノイズ除去拡散確率モデル (DDPM) は、最近、自然画像の分布のモデリングに有望であることが示され、さまざまな医療画像タスクに適用されて成功しました。
この研究は、拡散モデルを使用した半教師あり画像セグメンテーションに焦点を当てており、特に領域の一般化に取り組んでいます。
まず、より小さな拡散ステップは、より大きなステップよりも下流のタスクに対してより堅牢な潜在表現を生成することを示します。
次に、この洞察を使用して、情報密度の高い小さなステップと大きなステップの規則化効果を活用して予測を生成する、改良されたアンサンブル スキームを提案します。
私たちのモデルは、ドメイン内で競争力のあるパフォーマンスを維持しながら、ドメインをシフトした設定で大幅に優れたパフォーマンスを示しています。
全体として、この研究は、半教師あり医療画像セグメンテーションに対する DDPM の可能性を強調し、ドメイン シフト下でのパフォーマンスの最適化に関する洞察を提供します。

要約(オリジナル)

Medical image segmentation is a challenging task, made more difficult by many datasets’ limited size and annotations. Denoising diffusion probabilistic models (DDPM) have recently shown promise in modelling the distribution of natural images and were successfully applied to various medical imaging tasks. This work focuses on semi-supervised image segmentation using diffusion models, particularly addressing domain generalisation. Firstly, we demonstrate that smaller diffusion steps generate latent representations that are more robust for downstream tasks than larger steps. Secondly, we use this insight to propose an improved esembling scheme that leverages information-dense small steps and the regularising effect of larger steps to generate predictions. Our model shows significantly better performance in domain-shifted settings while retaining competitive performance in-domain. Overall, this work highlights the potential of DDPMs for semi-supervised medical image segmentation and provides insights into optimising their performance under domain shift.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google