.png){kind=icon}
返回
Efficient Medical Image Segmentation with Rectified Flow-Based Diffusion Transformer
.png){kind=icon}
PRE
AI
DOI：10.1007/978-981-95-4100-3_1.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
近期提出了多种扩散模型用于高质量数据生成，包括图像和视频合成。医学图像分割是最具前景的应用领域之一，其中高像素级精度至关重要。使用扩散模型实现这种精度通常需要大量去噪步骤，从而产生显著的计算成本。为解决此问题，本研究提出了一种分割方法，利用Rectified Flow通过确定性常微分方程（ODE）轨迹近似随机反向扩散过程。此外，基于Transformer的分割模型采用了类似U-Net的跳过连接以减少信息损失。为验证所提模型的有效性，在ISIC2018皮肤病变分割数据集上进行了实验。结果表明，该模型在仅使用三个去噪步骤的情况下，相较于现有扩散模型，在IoU和Dice分数上实现了更优的精度。
Keyword:
Rectified Flow
Diffusion Model
Transformer
Medical Image
Segmentation
期刊
N
IF:
0
论文数:
27
被引数:
0
机构
引用论文
.png){kind=icon}
MedSegDiff-V2: Diffusion-Based Medical Image Segmentation with TransformerMedSegDiff-V2: 基于扩散的医学图像变换分割
OAAI
OAAI分享收藏
没有更多内容
没有更多内容