MAE-Diff：基于掩码自编码器引导扩散模型的源自由域自适应医学图像分割框架

本文提出了一种创新的源自由域自适应（SFDA）医学图像分割框架MAE-Diff，巧妙结合掩码自编码器（MAE）的自监督特征提取能力与扩散模型（Diffusion Model）在低质量图像分割中的优势，有效解决了医学图像存在的域偏移（Domain Gap）和图像质量低下两大核心挑战，为临床跨中心医疗图像分析提供了切实可行的解决方案。

　　

Highlighted Diffusion Model (HDM)

Highlighted Diffusion Model (HDM)（高亮扩散模型）利用预训练的扩散模型来突出潜在感兴趣区域的特征，同时最小化非必要背景元素的影响，最终提升分割性能。这些方法证明了扩散模型在低质量医学图像分割中的有效性。

Overall framework（整体框架）

MAE-Diff的整体工作流程如图1所示。源域训练包含两个阶段：第一阶段，MAE模块通过自监督方式训练，使用解码器R(θ)重建整个输入图像，仅基于编码器F(φ)从少量可见图像块中学到的表示。该过程旨在使编码器F(φ)捕获源图像中隐藏的关键上下文信息。第二阶段，扩散模块…

Datasets（数据集）

我们在两个公开数据集（Fundus和M&MS数据集）和一个私有数据集（ER数据集）上评估MAE-Diff的性能。这些数据集展现出明显的域偏移，包括成像模态、扫描设备、采集协议、机构和人群的差异，使其能够代表真实临床环境。详细描述如下：

Fundus dataset（眼底数据集）：Fundus数据集是一个公开的多域…

Effectiveness of the MAE module（MAE模块的有效性）

图5展示了基于MAE微调0、10和100个epoch的典型重建图像。根据图5，仅使用源图像训练的MAE可以粗略重建目标域图像，表现为第二列图中模糊的重建视盘和血管。经过100轮微调后，MAE更好地适应了目标图像，第四列图中更清晰的血管重建结果说明了这一点。这些结果…

Conclusion（结论）

本研究中，我们提出了掩码自编码器引导的扩散（MAE-Diff）框架，用于源自由域自适应的医学图像分割。通过以自监督方式利用MAE强大的特征提取能力和扩散模型分割噪声图像的能力，MAE-Diff解决了医学图像分割中的两个主要挑战：因域偏移导致的泛化能力差以及医学图像质量低引起的分割精度下降。据我们所知…