MedSymmFlow: 通过对称流匹配连接医学成像中的生成建模和分类-计算机科学-医学图像分类-机器学习.pdfVIP

MedSymmFlow:通过对称流匹配连接医学成像中

的生成建模和分类

FranciscoCaetano,LemarAbdi,ChristiaanViviers,Amaan

Valiuddin,andFonsvanderSommen

EindhovenUniversityofTechnology,5612AE,Eindhoven,Netherlands

f.t.de.espirito.santo.e.caetano@tue.nl

本摘要可靠的医学图像分类需要准确的预测和良好的不确定性估计，特别

是在高风险临床环境中。这项工作介绍了MedSymmFlow，这是一种基于

译对称流匹配构建的生成-判别混合模型，旨在统一医疗成像中的分类、生成

中和不确定性量化。MedSymmFlow利用了一个可扩展到高分辨率输入的潜

1在空间公式，并引入了一种语义掩码条件机制来增强诊断相关性。与标准

v判别模型不同，它通过其生成采样过程自然估计不确定性。该模型在四个

8MedMNIST数据集上进行了评估，涵盖了多种模式和病理情况。结果显

9

0示，MedSymmFlow在分类准确性和AUC方面达到或超过了已建立的基

9线性能，同时提供了可靠的不确定性估计，这些估计通过选择性预测下的

1

.性能提升得到了验证。代码可在/caetas/医疗对称流获取。

7

0

5

21介绍

:

v

i理解医学图像中的语义内容对于各种临床应用至关重要。诸如疾病分

x

r类[29,26,18,1]和分割[30,21,28]等任务能够对医疗数据进行详细分析和结

a

构化，有助于诊断和治疗计划的制定。此外，生成模型在扩充数据集和合成

现实的医学图像方面具有巨大的潜力。理想情况下，一个统一的框架将连接

这些能力，允许模型以互惠的方式解释和生成医学图像。可以设想，对病理

性结构更深入的理解和分解会导致更具临床相关性和真实的合成数据。相比

之下，强大的生成能力可能有助于学习更加生动的医学图像表示形式，捕捉

微妙的疾病模式和上下文信息。这种内在的相互性表明，在一个领域取得的

进步自然会增强另一个领域的能力，从而促使开发整合理解和综合的模型在

一个统一框架内。

当前医学成像中的深度学习方法通常独立处理这些任务。判别分类器提

取特征以预测诊断标签[22]，而分割模型则学习勾勒出感兴趣的区域[25]。

2F.Caetanoetal.

尽管最近的努力探索了在医学成像中使用扩散模型进行分类[7]和分割[30]，

但这些适应可能会引入限制。例如，基于扩散的分类可能涉及迭代采样，潜

在地增加推理时间，并且分割框架可能主要关注掩码生成而没有直接通向现

实图像合成的方法。

受自然图像领域统一生成式和判别式建模最近进展的启发，本工作

介绍了MedSymmFlow，一个将[4]对称流匹配扩展到医学成像的新框架。

MedSymmFlow利用生成式模型的优势实现准确分类，并