返回
EdgeSegDiff: Edge-Conditional Diffusion Model for Skin Lesion Segmentation
DOI:10.1007/978-981-95-5631-1_26.png)
摘要
En 中文
边缘信息在具有复杂边界的医学图像分割任务中至关重要,例如皮肤病变分割,其中精确的边缘建模直接影响分割精度。虽然去噪扩散概率模型(DDPMs)在医学图像分割中显示出巨大潜力,因其能够精细地细化细节,但现有方法通常仅依赖原始图像的全局特征作为条件输入,未能显式地在去噪过程中融入像素级边缘先验。这一限制制约了分割精度,尤其是在低对比度过渡区域。为解决此问题,我们提出了EdgeSegDiff,一种基于边缘条件引导策略的皮肤病变分割扩散模型。该模型引入边缘图作为条件信息,并设计了一种联合损失函数以动态调节对边缘先验的依赖。此外,引入了边缘特征增强(EFE)模块,结合特征差异化和SimAM注意力机制以增强边缘特征表示。为有效抑制条件输入中的高频噪声干扰同时保留关键边缘细节,进一步提出了基于小波变换和动态阈值的High-Frequency Noise Filter(HF-Filter)。在公开的ISIC-2016、ISIC-2017和ISIC-2018数据集上,EdgeSegDiff分别实现了92.1%、87.4%和90.8%的Dice系数,证明了其在皮肤病变分割任务中的优越性和鲁棒性。
Keyword:
Skin Lesion Segmentation
Diffusion Models
Edge-Conditional Guidance
期刊
P
IF:
0
论文数:
25
被引数:
0
机构
引用论文
MedSegDiff-V2: Diffusion-Based Medical Image Segmentation with TransformerMedSegDiff-V2: 基于扩散的医学图像变换分割

