再循环分割++: 基于扩展残差引导的跨模态扩散方法用于脑肿瘤分割.pdfVIP

再循环分割++:基于扩展残差引导的跨模态

扩散方法用于脑肿瘤分割

SaraYavari1RahulNitinPandya1JacobFurst1

1SchoolofComputing,DePaulUniversity,Chicago,IL,USA

{syavari,npandya,jfurst}@depaul.edu

本

译2025年8月6日

中

1摘要

v

8准确分割MRI扫描中的脑肿瘤对于临床诊断和治疗计划至关重要。我

5们提出了一种半监督的两阶段框架，该框架将ReCoSeg方法扩展到更大且

0

1更具异质性的BraTS2021数据集，同时消除了对分割目标使用真实标签掩

0模的需求。在第一阶段，一个残差引导的去噪扩散概率模型（DDPM）通过

.

8从FLAIR、T1和T2扫描中重构T1ce模式来执行跨模式合成。捕捉预测

0

5图像与实际T1ce图像之间差异的残差图作为空间先验以增强下游分割。在

2第二阶段，一个轻量级U-Net将残差图（计算为真实T1ce与合成T1ce之

:

v间的差异）与T1、T2和FLAIR模式串联后的结果作为输入来改进整个肿

i瘤分割。为了应对BraTS2021的规模和可变性增加，我们应用切片级别的

x

r过滤以排除非信息样本，并优化阈值策略以平衡精确度和召回率。我们的方

a

法在BraTS2021数据集上的整体肿瘤分割中实现了Dice得分%和

IoU得分为%，优于基于ReCoSeg的BraTS2020基准（Dice:%,

IoU:%），并展示了对于现实世界、多中心MRI数据集更高的准确性和

可扩展性。

关键词:脑肿瘤分割，扩散模型，残差图，半监督学习。

1介绍

从MRI扫描中分割脑肿瘤是神经肿瘤学中的一个关键任务，它有助于

准确诊断、制定有依据的治疗计划以及长期患者监测[1]。深度学习模型特

别是U-Net[2]及其3D扩展，3DU-Net[3]已成为该应用的标准方法，通过

1

端到端监督学习框架实现了高分割精度。然而，这些模型通常需要大量标

注数据并且涉及高昂的计算成本[4]，这限制了它们在现实世界临床环境中

的可扩展性，在这种环境中，标注可能稀缺且成像模式不一致地可用。为了

解决这些问题，最近的研究转向生成建模技术。值得注意的是，去噪扩散概

率模型（DDPMs）已被用于跨模态合成以重建缺失的MRI模态[5]。例如，

DDMMSynth[6]使用扩散模型从其他可用序列中准确生成T1ce模态。最

近，DDPMS以其生成高质量、多样化图像的能力而闻名[7]，除了图像生成

之外，在一系列视觉任务中也表现出色，扩散模型在诸如图像编辑[8]、超

分辨率[9]和分割[10]等多种任务中表现出了强大的性能，突显了它们的灵

活性和鲁棒性。这表明扩散模型具有广泛适用性和可