DiffShape: Decoupling Shape Priors with Conditional Diffusion for Robust Brain Extraction

doi:10.1109/tmi.2026.3716658

DiffShape: Decoupling Shape Priors with Conditional Diffusion for Robust Brain Extraction

2026-07-24

0

OA

AI

Carola‐Bibiane Schönlieb

DOI：10.1109/tmi.2026.3716658

原文链接

原文求助

摘要

En 中文

颅骨去除是可靠神经影像分析的关键预处理步骤。尽管近期深度学习方法在准确脑提取方面取得了显著进展，但其泛化能力在异质成像协议和多样化病理条件下仍有限制。这一限制源于其对体素强度信息的过度依赖，而未融入明确的解剖学约束。为解决此问题，我们引入DiffShape，一种条件扩散框架，该框架明确将脑形状生成与直接的体素级强度-标签预测分离，并利用生成的形状作为先验以强化现有的颅骨去除模型。具体而言，DiffShape采用一维极-径向向量表示脑几何结构，提供一种紧凑且易于处理的形状表示，使其能够在学习的低维形状流形上高效建模扩散过程。通过将扩散过程条件化于输入图像，DiffShape学习一条噪声到形状的去噪轨迹，逐步将随机噪声转化为解剖学上合理的脑几何结构。输入图像作为条件信号，引导去噪轨迹朝向患者特异性几何结构，而学习的扩散动力学推动含噪形状样本向条件脑形状分布的高概率区域移动，从而在异质对比度或病理变异下保持解剖学合理性。我们在包含健康和病理病例的数据集上评估了DiffShape，其一致性地提高了分割精度，优于当前最先进的颅骨去除方法，展示了提升医学影像分割泛化能力的有前景方向。

Keyword:

Deep learning

Diffusion models

Shape priors

Medical image segmentation

Skull Stripping

DiffShape: Decoupling Shape Priors with Conditional Diffusion for Robust Brain Extraction

摘要

期刊

机构

引用论文