醫學影像的質量直接關係到診斷的準確性。然而，在實際臨床中，由於成本限制，MRI、CT和超聲影像往往解析度較低、質量欠佳，導致關鍵的解剖結構和病變區域難以清晰辨識。傳統的做法是將影像增強作為一個獨立的預處理步驟，與後續的影像分割任務完全分離，這一做法忽視了二者之間潛在的協同效應。
針對這一瓶頸，來自研究團隊的Ying Chen等人提出了一種名為DiSIINet（Diffusion-based Symbiotic Information Interaction Network）的新型統一框架。該網路基於去噪擴散隱式模型（DDIM），創新性地將影像增強分支與影像分割分支整合在同一模型中。其核心在於一個全新的共生資訊互動（SII）模組，該模組在逆向擴散過程中，透過交叉注意力機制實現特徵級別的動態資訊交換，使得增強和分割兩個任務能夠相互迭代最佳化、協同提升。DDIM骨幹網路透過確定性取樣保證了高質量的輸出和高效的推理效率。
研究團隊在MRI、CT和超聲等多個模態的醫學資料集上進行了廣泛的實驗驗證。結果表明，相比傳統的順序處理或獨立處理方案，DiSIINet在各項指標上均取得了顯著的效能提升。該工作已被IJCAI 2026國際聯合人工智慧會議接收，相關程式碼已在GitHub上開源（https://github.com/Reconsider80/DiSIINet）。這一方法為醫學影像分析提供了一種更加高效且協同的解決方案，有望推動相關領域的研究進展。