arXiv cs.AI· Pengyu Kan (Johns Hopkins University), Craig Jones (Johns Hopkins University, University of Alberta), Kenichi Oishi (Johns Hopkins University School of Medicine)·· 12 小时前AI 评分22
OpenMAP-HIE：病理先验引导的扩散模型实现无监督新生儿缺氧缺血性脑病病灶分割
OpenMAP-HIE: Pathology Informed Score-based Diffusion Model for Unsupervised Neonatal Hypoxic-Ischemic Encephalopathy Lesion Segmentation
AI 导读
Johns Hopkins 团队提出 OpenMAP-HIE，一种病理先验引导的 score-based 扩散模型，无需体素级病灶标注即可在 ADC 图像上定位新生儿缺氧缺血性脑病（HIE）病灶。
正文 · AI 翻译
作者：Pengyu Kan（约翰霍普金斯大学），Craig Jones（约翰霍普金斯大学、阿尔伯塔大学），Kenichi Oishi（约翰霍普金斯大学医学院）
摘要：在表观扩散系数（ADC）图像上准确定位新生儿缺氧缺血性脑病（HIE）病灶具有重要临床意义，但受限于专家标注稀缺以及病灶表现差异较大。我们提出 OpenMAP-HIE，一种病理信息引导的基于分数的扩散模型，用于在无体素级病灶监督的情况下进行无监督 HIE 病灶定位。去噪扩散模型学习健康新生儿 ADC 分布，而基于 ControlNet 的条件分支保留患者特异性解剖结构。在推理时，异常证据直接来自独立评估的扩散噪声水平下条件与无条件噪声预测之间的差异，从而避免依赖最终的伪健康重建或顺序反向扩散链。基于急性 HIE 相关的特征性 ADC 降低，仅保留与预期病理方向一致的差异，并使用几何平均跨噪声水平进行聚合。空间均值滤波进一步抑制孤立响应。该框架在 BONBID-HIE 数据集上进行了评估。仅使用 ADC 的方法取得了 $0.283\pm0.244$ 的 Dice 分数、$0.505$ 的平均精度、$25.45\pm15.63$ mm 的 Hausdorff 距离、$9.40\pm8.49$ mm 的平均平均表面距离以及 $0.355\pm0.236$ 的归一化表面距离，在评估的无监督方法中提供了最佳的重叠和表面距离性能，并且 Dice 性能与仅使用 ADC 的监督模型相当。可选的基于人群的 ADC $Z$ 图细化进一步将 Dice 提高到 $0.602\pm0.269$。这些发现支持将病理信息引导的分数差异作为新生儿 HIE 病灶定位的有用信号，同时强调了在检测小尺寸和低对比度病灶方面仍存在的挑战。
| 评论： | 22 页，4 幅图，9 张表 |
| 主题： | 计算机视觉与模式识别（cs.CV）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.29322 [cs.CV] |
| （或 arXiv:2610.29322v2 [cs.CV] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.29322 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Pengyu Kan [查看电子邮件]
[v1]
2026 年 10 月 21 日星期三 07:22:50 UTC（3,110 KB）
[v2]
2026 年 10 月 22 日星期四 03:44:19 UTC（3,110 KB）
来源：arXiv cs.AI · arxiv.org