.png){kind=icon}
返回
ACDA: Anatomically constrained distribution alignment for robust medical image segmentation
.png){kind=icon}
PRE
AI
DOI：10.1016/j.knosys.2026.115749.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
深度神经网络在应用于不同扫描仪或协议的未见域医学图像分割时，性能往往下降。尽管扩散模型提供了一种有前景的图像到图像转换方法来弥合此类分布差异，但其无约束的生成可能导致解剖结构不一致的图像，从而损害分割的可靠性。为克服这一问题，我们提出了解剖结构约束分布对齐（ACDA）方法，这是一种目标无关的框架，能够在协调数据分布的同时保持结构保真度。我们引入了解剖结构约束的去噪扩散概率模型，通过将潜在变量与显式结构指导相结合来引导生成过程。一个领域先验U-Net作为去噪网络，利用边缘和直方图提示捕捉领域特定特征。此外，我们设计了一种提示驱动的分布匹配策略，通过最近邻检索将目标域与源域对齐。我们全面评估了ACDA在五个多样化临床场景中的应用，包括前列腺MRI、卵巢肿瘤MRI、多示踪剂PET、心脏MRI和眼底摄影。我们的方法分别实现了70.46%、73.03%、53.19%、82.41%和86.02%的Dice分数，一致优于现有方法。值得注意的是，在所有数据集上，相较于未适配的基线方法，其性能提升了17%至54%，证明了其在稳健跨域分割中的有效性和泛化能力。
Keyword:
medical image segmentation
domain adaptation
diffusion models
anatomical constraints
distribution alignment
期刊
K
IF:
7.6
论文数:
1.3W
被引数:
4.5W
机构
引用论文
Restoring Vision in Adverse Weather Conditions With Patch-Based Denoising Diffusion Models使用基于补丁的去噪扩散模型在恶劣天气条件下恢复视力
OAAI
OAAI分享收藏TransUNet: Rethinking the U-Net architecture design for medical image segmentation through the lens of transformersTransunnet: 通过变形金刚的镜头重新思考医学图像分割的u-net架构设计.png)
MEDICAL IMAGE ANALYSISOAAI
MEDICAL IMAGE ANALYSISIF11.8
OAAI分享收藏Leveraging hybrid model of convnextbase and lightgbm for early asd detection via eye-gaze analysis利用ConvNeXtBase和LightGBM的混合模型，通过眼动分析进行早期ASD检测
IF0
PREAI
分享收藏Deep Learning Techniques for Automatic MRI Cardiac Multi-Structures Segmentation and Diagnosis: Is the Problem Solved?用于自动MRI心脏多结构分割和诊断的深度学习技术: 问题解决了吗？
OAAI
OAAI分享收藏Causality-Inspired Single-Source Domain Generalization for Medical Image Segmentation基于因果关系的单源域泛化医学图像分割OAAI
OAAI分享收藏
查看更多内容