做建材网站怎么做,东莞市有多少个镇,东莞网站制作的方案,移动手机网站开发论文标题#xff1a; MedSegDiff: Medical Image Segmentation with Diffusion Probabilistic Model 翻译#xff1a; MedSegDiff#xff1a;基于扩散概率模型的医学图像分割
名词解释#xff1a; 高频分量#xff08;高频信号#xff09;对应着图像变化剧烈的部分…论文标题 MedSegDiff: Medical Image Segmentation with Diffusion Probabilistic Model 翻译 MedSegDiff基于扩散概率模型的医学图像分割
名词解释 高频分量高频信号对应着图像变化剧烈的部分也就是图像的边缘轮廓或者噪声以及细节部分。
1. 动态条件编码
在大多数条件DPM中条件先验是一个唯一的给定信息。然而医学图像分割是出了名的模糊对象。病变或组织通常很难从其背景中区分出来。 低对比度的图像模式如核磁共振成像或超声图像使其更糟。只给定静态图像作为每一步的条件将很难学习。为了解决这个问题我们提出了每个步骤的动态条件编码。我们注意到一方面原始图像包含准确的分割目标信息但难以与背景区分另一方面当前步分割图包含增强的目标区域但不准确。这促使我们去整合当前步分割信息xt转化为有条件的原始图像编码进行相互补全。具体地说我们在功能级别上实现集成。在原始图像编码器中我们利用当前步长编码特征来增强其中间特征。条件特征图m k I的每个尺度与形状相同的xt编码特征m k x融合k为层的指数。这种融合是通过一种类似于注意力的机制a来实现的。特别是首先将两个特征映射应用层归一化并相乘以获得亲和映射。然后将亲和映射与条件编码特征相乘增强关注区域。 虽然该策略是有效的但另一个具体的问题是积分xt嵌入会产生额外的高频噪声。为了解决这个问题我们提出了FF-Parser来约束特征中的高频成分。
2. FF-Parser
我们以特征集成的路径方式连接ff解析器。它的功能是约束xt特性中与噪声相关的组件。我们的主要思想是学习一个参数化的关注(权重)映射应用于傅里叶空间特征。给定一个解码器特征映射m我们首先沿着空间维度执行二维FFT(快速傅立叶变换)然后我们通过将参数化的关注映射A乘以M来调制M的频谱最后我们采用逆FFT将M0逆回空间域。 FF-Parser可以看作是频率滤波器的一种可学习版本频率滤波器广泛应用于数字图像处理。与空间关注不同它对特定频率的分量进行全局调整。从而可以学会约束高频分量进行自适应积分。
总体结构
总体结构如图显示了一个t阶段示例。为了实现分割我们通过原始图像先验条件步长估计函数在本例中为原始图像嵌入E x t为当前步骤的分割映射特征嵌入。将这原始图片嵌入和分割映射特征嵌入这两个分量相加并发送到UNet解码器D进行重构。步骤索引t与添加的嵌入和解码器功能集成在一起。在每一种情况下它都是使用共享学习查找表嵌入的。
