⚠️ 以下所有内容总结都来自于 大语言模型的能力，如有错误，仅供参考，谨慎使用
🔴 请注意：千万不要用于严肃的学术场景，只能用于论文阅读前的初筛！
💗 如果您觉得我们的项目对您有帮助 ChatPaperFree ，还请您给我们一些鼓励！⭐️ HuggingFace免费体验
2025-11-16 更新
A Dual-Mode ViT-Conditioned Diffusion Framework with an Adaptive Conditioning Bridge for Breast Cancer Segmentation
Authors:Prateek Singh, Moumita Dholey, P. K. Vinod
In breast ultrasound images, precise lesion segmentation is essential for early diagnosis; however, low contrast, speckle noise, and unclear boundaries make this difficult. Even though deep learning models have demonstrated potential, standard convolutional architectures frequently fall short in capturing enough global context, resulting in segmentations that are anatomically inconsistent. To overcome these drawbacks, we suggest a flexible, conditional Denoising Diffusion Model that combines an enhanced UNet-based generative decoder with a Vision Transformer (ViT) encoder for global feature extraction. We introduce three primary innovations: 1) an Adaptive Conditioning Bridge (ACB) for efficient, multi-scale fusion of semantic features; 2) a novel Topological Denoising Consistency (TDC) loss component that regularizes training by penalizing structural inconsistencies during denoising; and 3) a dual-head architecture that leverages the denoising objective as a powerful regularizer, enabling a lightweight auxiliary head to perform rapid and accurate inference on smaller datasets and a noise prediction head. Our framework establishes a new state-of-the-art on public breast ultrasound datasets, achieving Dice scores of 0.96 on BUSI, 0.90 on BrEaST and 0.97 on BUS-UCLM. Comprehensive ablation studies empirically validate that the model components are critical for achieving these results and for producing segmentations that are not only accurate but also anatomically plausible.
在乳腺超声图像中，精确的病变分割对于早期诊断至关重要。然而，低对比度、斑点噪声和边界不清等问题使得这一任务变得困难。尽管深度学习模型已经展现出了潜力，但标准的卷积架构通常难以捕捉足够的全局上下文信息，导致分割结果存在解剖不一致的问题。为了克服这些缺点，我们提出了一种灵活的条件去噪扩散模型，该模型结合了增强的UNet基生成解码器和视觉转换器（ViT）编码器进行全局特征提取。我们引入了三个主要创新点：1）自适应条件桥（ACB）实现语义特征的高效多尺度融合；2）一种新的拓扑去噪一致性（TDC）损失组件，通过惩罚去噪过程中的结构不一致性来规范训练；3）双头架构利用去噪目标作为强大的正则化器，使轻量级的辅助头能在较小的数据集上进行快速而准确的推断，以及一个噪声预测头。我们的框架在公共乳腺超声数据集上建立了最新的先进技术，在BUSI上达到Dice分数0.96，在BrEaST上达到0.90，在BUS-UCLM上达到0.97。综合消融研究经验证明，模型组件对于实现这些结果并产生既准确又解剖合理的分割结果至关重要。
论文及项目相关链接
PDF 5 pages, 2 figures, 3 tables, submitted to ISBI 2026
Summary
本文介绍了在乳腺超声图像中精确病灶分割对于早期诊断的重要性，由于低对比度、斑点噪声和边界不清等问题，这一任务具有挑战性。为克服标准卷积架构在捕捉全局上下文方面的不足，提出了一种灵活的、有条件的去噪扩散模型，该模型结合了增强的UNet基生成解码器和Vision Transformer（ViT）编码器进行全局特征提取。主要创新点包括：自适应条件桥（ACB）实现语义特征的多尺度融合，拓扑去噪一致性（TDC）损失组件通过惩罚去噪过程中的结构不一致性来规范训练，以及双头架构利用去噪目标作为强大的正则化器，使小型数据集上能够快速准确地进行推理。该框架在公共乳腺超声数据集上达到了最新水平，在BUSI上实现了Dice分数0.96，在BrEaST上实现了Dice分数0.90，在BUS-UCLM上实现了Dice分数0.97。
Key Takeaways
- 乳腺超声图像中精确病灶分割对早期诊断至关重要，但低对比度、斑点噪声和边界不清使得任务具有挑战性。
- 提出的模型结合了UNet基生成解码器和Vision Transformer（ViT）编码器，以克服标准卷积架构在捕捉全局上下文方面的不足。
- 引入了三个主要创新点：自适应条件桥（ACB）、拓扑去噪一致性（TDC）损失组件和双头架构。
- ACB实现语义特征的多尺度融合，提高模型性能。
- TDC损失组件通过惩罚结构不一致性来规范训练，提高分割的准确性。
- 双头架构利用去噪目标作为强大的正则化器，适用于小型数据集，并实现快速准确的推理。