MK-UNet

新型扩散模型应对医学图像分割与合成挑战

研究人员开发了新颖的基于扩散的医学图像分割和合成框架，解决了空间不平衡和任务语义冲突带来的挑战。UniT-Diff将半监督学习、无监督域自适应和域泛化统一到一个模型中，采用特定任务的输出空间和自适应条件来防止梯度冲突和域偏差。此外，LAW & ORDER适配器为掩码条件扩散和高效分割引入了自适应空间加权，显著提高了各种医学数据集的图像合成质量和分割精度。