基于扩散共生信息交互的医学图像增强与分割联合方法
提出DiSIINet，基于扩散隐式模型统一医学图像增强与分割，通过共生信息交互模块实现特征级动态信息交换，在多模态数据集上显著提升性能。
医学图像的质量直接关系到诊断的准确性。然而，在实际临床中，由于成本限制，MRI、CT和超声图像往往分辨率较低、质量欠佳，导致关键的解剖结构和病变区域难以清晰辨识。传统的做法是将图像增强作为一个独立的预处理步骤，与后续的图像分割任务完全分离，这一做法忽视了二者之间潜在的协同效应。
针对这一瓶颈，来自研究团队的Ying Chen等人提出了一种名为DiSIINet（Diffusion-based Symbiotic Information Interaction Network）的新型统一框架。该网络基于去噪扩散隐式模型（DDIM），创新性地将图像增强分支与图像分割分支集成在同一模型中。其核心在于一个全新的共生信息交互（SII）模块，该模块在逆向扩散过程中，通过交叉注意力机制实现特征级别的动态信息交换，使得增强和分割两个任务能够相互迭代优化、协同提升。DDIM骨干网络通过确定性采样保证了高质量的输出和高效的推理效率。
研究团队在MRI、CT和超声等多个模态的医学数据集上进行了广泛的实验验证。结果表明，相比传统的顺序处理或独立处理方案，DiSIINet在各项指标上均取得了显著的性能提升。该工作已被IJCAI 2026国际联合人工智能会议接收，相关代码已在GitHub上开源（https://github.com/Reconsider80/DiSIINet）。这一方法为医学图像分析提供了一种更加高效且协同的解决方案，有望推动相关领域的研究进展。