BerDiff: Conditional Bernoulli Diffusion Model for Medical Image Segmentation 论文阅读
date
May 12, 2023
Last edited time
May 22, 2023 12:14 PM
status
Published
slug
BerDiff论文阅读
tags
DL
CV
summary
type
Post
Field
Plat
Abstract
这篇文章提出了一种新的医学图像分割方法，使用条件伯努利扩散模型。该模型可以实现准确和多样化的分割掩模，为临床医生提供有价值的参考。
我们首先提出使用伯努利噪声作为扩散核，而不是使用高斯噪声，以增强扩散模型对二元分割任务的能力，从而产生更准确的分割掩码。
Methodology
eq4:
eq6:
优化的是:
Bernoulli forward process
在之前的扩散模型中，高斯噪声随着时间步长 的增加而逐渐增加。然而，对于分割任务，groundtruth masks 由离散值表示。为了解决这个问题，我们的 BerDiff 添加伯努利噪声。
where denotes the Bernoulli distribution with the probability parameters . Using the notation and , 我们可以在任意时间步 有效地对 进行采样，如下所示：
我们使用采样的伯努利噪声 重新参数化方程的 为 , ，其中 ⊕ 表示“异”的逻辑运算.
这一步不太对, 前面的 哪去了
Diverse reverse process
本文的 Diverse reverse process 可以被视为一个马尔可夫链，从 Bernoulli 噪声 开始，并通过受输入医学图像 x 约束的中间潜变量来生成多样化的分割掩模。具体而言，BerDiff 的 Diverse reverse process 可以表示为：
其中，
被实现为:
表示绝对值运算。
即使用 预测伯努利噪声.
Experiments
Gaussian 扩散需要更长时间
Supp
