Diff-UNet：基于扩散嵌入网络的高鲁棒性三维医学图像分割方法

针对现有扩散模型在3D医学图像分割中忽略切片间关联、计算成本高的问题，研究人员提出首个双分支扩散模型Diff-UNet，通过边界预测分支与多粒度边界聚合（MBA）模块提升分割精度，结合蒙特卡洛扩散（MC-Diff）模块生成不确定性图谱，并采用渐进式不确定性驱动优化（PURE）策略融合中间结果。在BraTS2023等三大数据集上验证其超越现有方法的性能，尤其对小结构分割效果显著。

　　

医学图像分割是精准诊疗的重要基础，但传统方法在三维数据上面临细节丢失、计算复杂度高等挑战。尤其对于脑肿瘤、鼻咽癌等复杂病变的微小结构分割，现有基于卷积神经网络（CNN）或Transformer的模型常出现边界模糊和连续性不足的问题。近年来，扩散模型（Diffusion Model）虽在二维图像生成中表现优异，但直接应用于三维医学图像时，因忽略切片间空间关联且需逐片处理，导致效果不佳且计算资源消耗巨大。

为解决这一难题，研究人员开发了Diff-UNet——首个专为三维医学图像分割设计的双分支扩散模型。该模型创新性地将边界信息嵌入扩散过程，通过多技术协同优化，在BraTS2023、SegRap2023和AIIB2023三大跨器官、多模态数据集上实现突破性进展。相关成果发表于《Medical Image Analysis》。

研究团队采用三项核心技术：1）双分支架构（扩散去噪分支+边界预测分支）同步处理体数据；2）多粒度边界聚合（MBA）模块融合多层次特征；3）蒙特卡洛扩散（MC-Diff）模块生成不确定性图谱指导训练，并设计渐进式不确定性驱动优化（PURE）策略动态融合推理中间结果。实验数据来自1,251例脑MRI（BraTS2023）和120例鼻咽癌CT（SegRap2023）等公开数据集。

方法设计
Diff-UNet的核心创新体现在：边界预测分支通过专用编码器E_b
提取边界特征，MBA模块将低层（纹理）与高层（语义）边界特征嵌入扩散过程；MC-Diff模块通过随机采样噪声生成不确定性图谱，据此设计权重自适应的分割损失函数；PURE策略在推理时根据不确定性动态加权融合各步预测结果。

实验结果
在BraTS2023的脑肿瘤子区域分割中，Diff-UNet对增强肿瘤（ET）的Dice系数提升显著，尤其在<5mm³
的微小病灶上优于UNet++等基线模型15.7%。可视化显示其能准确分割CT中鼻咽癌（NPC）的浸润边界，而传统方法会出现空洞。消融实验证实：当推理步数=3时性能最优，过多步数（如5步）反而导致过平滑。

结论与展望
该研究首次将扩散模型成功应用于三维医学图像分割，通过边界信息引导和不确定性量化机制，解决了高维数据中微小结构分割的难题。未来可探索扩散步长自适应调节、多模态特征联合优化等方向。开源代码（https://github.com/ge-xing/DiffUNet）为相关研究提供了重要基准工具。