通过扩散模型进行无监督解剖特征学习：利用 Denoising Diffusion Probabilistic Models 提升医学图像分割

获取医学图像分割所需的像素级标注是一个严重瓶颈。传统 U-Net 架构虽然有效，但主要学习局部纹理模式，缺乏对全局解剖结构的感知，因而在低数据条件下容易出现边界勾勒失败。本文提出利用无监督 Denoising Diffusion Probabilistic Models (DDPMs) 提取解剖特征。我们在 21 例未标注的腹部 CT 扫描上训练了一个 DDPM，以学习结构表征，并将编码器权重迁移到下游分割任务中，在 BTCV 多器官数据集上进行评估。扩散预训练显著提升了肝脏分割性能：Dice 从 $0.75\pm0.36$ 提升到 $0.93\pm0.16$（$p < 5.33\times10^{-26}$，0.529 Cohen's d），Average Surface Distance (ASD) 降低了 66%，95th-percentile Hausdorff Distance (HD95) 降低了 45%。对于肾脏分割，Dice 从 $0.90\pm0.19$ 提升到 $0.95\pm0.10$（$p < 4.01\times10^{-11}$）。多器官汇总性能显示方差降低了 68%，边界精度提高了 74%（Dice $0.95\pm0.07$）。关键的是，冻结编码器模型在未接触分割标签的情况下仍保留了超过 80% 的微调性能，证明了所学习到的解剖先验的存在。在低数据场景下，仅使用 50%（Dice：肝脏 0.92、肾脏 0.94）、25%，甚至 10%（Dice：肝脏 0.89、肾脏 0.71）的标注数据时，扩散预训练模型仍保持了稳健性能。利用未标注图像进行基于扩散的预训练，能够在人工监督之前成功嵌入稳健的解剖特征，将 U-Nets 转变为具备解剖感知能力的系统。