Table des matières
- avant-propos
- MedSegDiff
- Codage conditionnel dynamique
- Analyseur FF
- expérience
- MedSegDiff-V2
- aperçu
- Condition d'ancrage avec attention spatiale gaussienne
- Condition sémantique avec SS-Former
- expérience
- Résumer
- référence
Cet article a été publié pour la première fois sur GiantPandaCV et ne peut être reproduit sans autorisation ! !
avant-propos
Dans un article précédent (ICLR 2023), nous avons introduit une application du modèle de diffusion dans la segmentation d'images médicales (https://mp.weixin.qq.com/s/7g3_4hHfKCAp2WQibkbzgA), il est recommandé que le modèle de diffusion ne soit pas Étudiants qui comprendre sont prioritaires sur lire, ce qui couvre certains concepts de base. L'article précédent était d'appliquer la diffusion à l'apprentissage auto-supervisé, et MedSegDiff est un framework supervisé, qui a maintenant été mis à jour vers la version V2. La version V2 est différente de la V1 en utilisant Transformer et convient à la multi-classification. MedSegDiff-V1 a été accepté au MIDL 2023.
MedSegDiff
MedSegDiff introduit un codage conditionnel dynamique basé sur le DPM d'origine pour améliorer la capacité d'attention étape par étape du DPM sur la segmentation des images médicales. L'analyseur de fréquence propre (FF-Parser) peut supprimer le bruit haute fréquence dans un masque donné corrompu lors de la segmentation. DPM est un modèle génératif composé de deux étapes, la phase avant