.png){kind=icon}
返回
Diffusion-guided conditional model for lung nodule segmentation
.png){kind=icon}
PRE
AI
DOI：10.1016/j.bspc.2026.111259.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
肺结节分割对于早期肺癌诊断至关重要，但由于复杂的肺结构、多样的结节形态和低组织对比度而面临挑战。本研究提出了一种基于Stable Diffusion潜在扩散框架的条件扩散引导模型SD-NoduleSeg。通过变分自编码器将结节掩码编码到紧凑的潜在空间中，并在正向扩散过程中加入高斯噪声。在反向推理中，基于CT图像特征的条件去噪UNet直接估计干净的掩码潜在表示。该模型包含三项关键设计：图像编码融合模块，用于结合CT特征与带噪声的掩码潜在表示；潜在估计损失，实现稳定的单步反向去噪；可训练的条件视觉编码器，以适应多样的结节外观。在LUNA16和LIDC-IDRI上的实验展示了数据集特定的优势。在LUNA16上，SD-NoduleSeg在所有五个报告指标中均取得最佳分数，包括88.86%的Dice和87.66%的IoU。在LIDC-IDRI上，其达到最高的mPA、Precision和Recall分别为95.91%、94.28%和95.12%，同时获得竞争性的Dice和IoU分别为94.12%和88.66%。消融研究证实了所提组件的贡献，定性结果展示了对于复杂形态结节的精确边界分割。这些结果证明了SD-NoduleSeg在稳健肺结节分割中的有效性。
