CVPR2025 医学图像工作合集

第一篇 ｜DiN: Diffusion Model for Robust Medical VQA with Semantic Noisy Labels

项目地址

https://github.com/Erjian96/DiN

核心梗概

本文聚焦医学视觉问答（Med-VQA）任务，针对该领域标注 依赖专业知识、易存在标签噪声（尤其是语义相关噪声，如将“气胸”误标为 “液气胸”）且缺乏对应基准的问题，开展以下工作：

创新方法

论文提出的DiN框架包含三个核心模块，整体采用扩散模型进行答案生成与噪声标签矫正。

• 答案条件生成器: 融合图像、问题特征与候选答案嵌入，生成任务专属条件信息；

• 噪声标签优化器： 用鲁棒损失函数（RFL）和动态答案调整生成伪标签（仅训练用），降低噪声干扰；

• 答案扩散器： 基于扩散模型，从生成角度逐步去噪、优化答案分类（推理时仅用此模块）；
  

验证效果

在 VQA-RAD、PathVQA 数据集上，DiN 在不同噪声比例下均优于现有 Med-VQA 及标签去噪方法，提升了噪声环境下 Med-VQA 的鲁棒性与准确性。

第二篇｜Noise-Consistent Siamese-Diffusion for Medical Image Synthesis and Segmentation

核心梗概

本文聚焦医学图像合成与分割任务，针对该领域标注数据稀缺、现有扩散模型生成医学图像时 “形态保真度低” 与 “多样性 / 扩展性差” 的矛盾问题（仅用掩码生成的图像缺纹理等形态特征，结合图像 - 掩码生成的图像多样性不足），开展以下工作：

创新方法

提出Siamese-Diffusion（孪生扩散）框架，核心含双扩散组件与关键辅助模块。

• 双扩散组件: 包含 Mask-Diffusion（仅掩码引导）与 Image-Diffusion（图像 + 掩码混合引导），训练时共享同一扩散模型参数；

• 噪声一致性损失（Noise Consistency Loss）： 以 Image-Diffusion 更精准的噪声预测为 “锚点”，引导 Mask-Diffusion 在参数空间向高形态保真度的局部最优收敛；

• 辅助模块： DHI（密集提示输入）模块增强图像 / 掩码特征提取能力，Online-Augmentation 模块通过单步采样生成伪图像扩充 Mask-Diffusion 训练集；（采样阶段仅用 Mask-Diffusion，依托任意掩码保证生成图像的多样性与扩展性）

验证效果

在 Polyps（息肉）、ISIC2018（皮肤病变）、Stain（污渍）、Faeces（粪便）等数据集上，Siamese-Diffusion 表现优异

• 图像质量： FID、KID 等指标优于 ControlNet、ArSDM 等方法，生成图像形态（如表面纹理）与真实数据高度接近；
• 分割性能： 在 Polyps 上使 SANet 的 mDice、mIoU 提升 3.6%、4.4%，在 ISIC2018 上使 UNet 的 mDice、mIoU 提升 1.52%、1.64%，且在小样本场景下仍保持高扩展性。

第三篇｜CXPMRG-Bench: Pre-training and Benchmarking for X-ray Medical Report Generation on CheXpert Plus Dataset

项目地址

https://github.com/Event-AHU/Medical_Image_Analysis

核心梗概

本文聚焦X 射线医学报告生成（MRG）任务，针对该领域新数据集 CheXpert Plus 缺乏对比算法与结果、现有模型存在 “计算成本高” 和 “预训练阶段单一” 等问题，因此开展了以下工作：

构建基准

建立 CXPMRG-Bench 基准，在 CheXpert Plus 数据集上对 19 个主流 MRG 算法（含 CNN/Transformer/Mamba 骨干）、14 个大语言模型（LLM，如 Llama2、QWen）及 2 个视觉语言模型（VLM，如 InternVL-2）进行统一评估；评估时摒弃标签截断机制，采用完整真实报告计算精度，确保公平性，为后续 X 射线 MRG 研究提供对比依据。

创新方法

提出 MambaXray-VL 大模型，采用三阶段预训练策略，核心设计如下。

• 阶段 1：自监督自回归生成预训练: 将 X 射线图像分割为非重叠块并映射为视觉 token，通过 Mamba 视觉编码器（计算复杂度 O (N)，远低于 Transformer）以自回归方式预测下一个 token，利用 127 万张 X 射线图像强化视觉感知能力，效果优于主流 MAE 预训练；

• 阶段 2：X 射线 - 报告对比学习： 将阶段 1 的 Mamba 视觉骨干与语言模型（如 Bio ClinicalBERT）结合，对 48 万张 X 射线 - 报告配对数据进行对比学习，对齐图像与文本特征空间，缩小模态差距；

• 阶段 3：有监督微调： 在下游 MRG 数据集（如 CheXpert Plus、IU X-ray）上，将 X 射线视觉特征与生成提示（如 “为该胸部 X 射线生成详细诊断报告”）拼接输入 LLM 解码器，以负对数似然为损失函数优化，生成精准报告。

验证效果

在 CheXpert Plus、IU X-ray、MIMIC-CXR 数据集上验证。

• 性能方面： MambaXray-VL-L（大版本）在 CheXpert Plus 上实现 SOTA，NLG 指标（BLEU-4 0.112、ROUGE-L 0.276、METEOR 0.157、CIDEr 0.139）与临床指标（F1 0.335）均优于所有对比模型；

• 效率方面： 在 A800 GPU 上测试 CheXpert Plus 数据集仅需 55.18 分钟，参数 202.32M，比同参数规模的 ASGMD、Wang et al. 模型运行更快；

• 消融实验： 自回归生成（ARG）预训练比 MAE 在 CIDEr 指标上提升 45%，对比学习（CTL）使 CheXpert Plus 的 ROUGE-L 提升超 11%，Mamba 视觉编码器比 Transformer 在 MIMIC-CXR 的 BLEU-4 提升 6%。

第四篇｜DeformCL: Learning Deformable Centerline Representation for Vessel Extraction in 3D Medical Image

项目地址

https://github.com/barry664/DeformCL

核心梗概

本文聚焦3D 医学图像血管提取任务（如头颈部、冠状动脉），针对传统基于离散掩码的逐像素分类方法易出现 “分割断裂（纤细血管结构丢失）”、“抗噪性差（误判相似密度组织）”、“特征聚合难（缺乏管状结构全局关联）” 的问题，开展以下工作：

提出新表示

首次引入 DeformCL（可变形中心线表示），以图结构建模血管：节点为中心线点，边刻画点间空间关系；相比离散掩码，其核心优势有以下几点：

• 自然连通性： 连续定义管状结构，避免纤细 / 脆弱血管段断裂；
• 健壮性： 从全局形态视角建模，减少局部密度变化、造影剂干扰导致的假阳性；
• 交互便利性： 图结构支持 GCN/Transformer 等方法沿管状曲线高效聚合特征，保障拓扑完整性。
  

提出训练流程

设计级联式训练 pipeline 以充分发挥 DeformCL 优势，核心步骤如下。

• 自适应模板生成: 基于 3D UNet 输出的粗分割结果，通过 3D 细化算法提取离散中心线点，经最小生成树重构为图，再通过控制点插值生成初始中心线模板（避免固定模板不适应个体解剖差异）；

• 级联变形优化： 模板经多阶段变形与上采样迭代优化 —— 先通过三线性插值融合多尺度图像特征，再用 Transformer 聚合中心线点特征并预测位置偏移，每轮变形后插入新点提升密度，逐步对齐真实中心线；

• 中心线驱动分割： 利用最终预测的中心线点计算体素到中心线的最小距离图，与粗分割结果融合，输出高精度分割掩码；

• 多损失监督： 含局部 Chamfer 损失（降低中心线点局部偏移）、SDF 损失（确保中心线位于血管中心）、正则化损失（惩罚相邻点过长边避免结构偏移）、Dice 损失（优化分割掩码）。

验证效果

在4个3D血管数据集（HaN-Seg、HNCTA、ASOCA、ImageCAS）上验证，结果显著优于传统方法。

• 分割性能： 与 softDice 结合时，HaN-Seg 数据集 Dice 提升 3.28%、clDice（管状结构完整性指标）提升 2.90%，ASOCA 数据集 HD95（距离误差）降低 1.75（从 6.829 降至 5.082）；
• 中心线提取： HaN-Seg 数据集 F1 值提升 3.39%（从 91.17% 升至 94.56%），ASOCA 数据集 Chamfer 距离降低 17.33（从 46.358 降至 29.027）；
• 临床意义： 可直接输出连续中心线，无需后续处理即可生成高质量 “拉直弯曲平面重建（SCPR）图像”，避免传统掩码转换中心线导致的断裂 / 扭曲，清晰呈现血管斑块、狭窄区域，辅助临床诊断。

第五篇｜Sli2Vol+: Segmenting 3D Medical Images Based on an Object Estimation Guided Correspondence Flow Network

项目地址

https://github.com/adlsn/Sli2Volplus

核心梗概

本文聚焦3D 医学图像分割任务，针对传统掩码传播方法（如 Sli2Vol）存在 “误差累积（切片间重建 / 配准误差传递）”“不连续处理差（切片间目标出现 / 消失时预测失效）” 及 3D 标注成本极高的问题，开展以下工作：

拓展评估场景

在 9 个公共数据集（含 CT、MRI 模态）上验证，覆盖 10 个解剖结构（如肝脏、脾脏、脑肿瘤等），涵盖跨数据集、跨模态（如 CT→MRI）、跨模态参数（如 MRI 的 T1w→FLAIR）场景，为单切片标注的 3D 分割方法提供全面评估基准，填补不同器官 / 模态泛化性验证的空白。

提出方法

提出 Sli2Vol + 自监督掩码传播框架，核心含三大关键模块。

• 伪标签生成与优化: 基于 3D UNet 输出的粗分割结果，通过 3D 细化算法提取离散中心线点，经最小生成树重构为图，再通过控制点插值生成初始中心线模板（避免固定模板不适应个体解剖差异）；

  • 生成： 用 Sli2Vol 将训练集中每个 3D 体积的单张标注切片传播至其他切片，生成初始伪标签；
  • 优化： 用 3D UNETR++ 模型（SOTA 分割模型）学习全局 3D 信息， refinement 伪标签质量，解决 Sli2Vol 仅依赖相邻切片导致的全局信息缺失问题。

• 目标估计引导的对应流网络（OEG-CFN）： 分两路学习特征 —— 顶部路径从连续切片提取关键 / 查询特征（处理目标连续性），底部路径从优化后的伪标签提取另一组特征（处理目标不连续性）；两路特征分别拼接后计算亲和矩阵，建模切片与伪标签的可靠对应关系，有效缓解误差漂移与不连续问题。

• 梯度增强图像生成器（GEIG）： 通过计算多方向、多尺度的二阶导数并归一化，生成梯度增强图像（融合原像素强度），解决传统一阶导数对噪声敏感、边缘定位不准的问题，帮助模型学习更鲁棒的对应关系。（推理阶段：用训练好的 OEG-CFN 计算测试集连续切片的亲和矩阵，将单张标注切片的掩码逐步传播至全体积，无需伪标签参与）

验证效果

在 9 个数据集、10 个解剖结构上验证，性能显著优于现有方法。

• 定量性能： 相比 Sli2Vol 平均提升 5.6 个 Dice 值，在 Decath-Liver 数据集 Dice 达 91.2%（Sli2Vol 为 89.4%），MRI 脑肿瘤跨模态（T1w→FLAIR）任务 Dice 达 54.9%（Sli2Vol 为 49.5%）；跨数据集场景下误差下降不足 7 个 Dice（传统全监督方法跨域误差超 20 个 Dice），泛化性突出。
• 定性效果： 传播至远离标注切片（如 39th 切片）时，仍能保持准确分割，无明显误差累积；在目标消失的切片（如脾脏从 7th→8th 切片）中，无假阳性标注，解决不连续问题。
• 消融实验： OEG-CFN 使 Dice 平均提升 3.4 个（CT）/1.9 个（MRI），GEIG 进一步提升 1.6 个（CT）/1.2 个（MRI），验证各组件有效性；用 ScribblePrompt 自动生成训练切片标注，性能与人工标注相当（Dice 53.8% vs 54.1%），大幅降低标注成本。