【MICCAI2025】解决多专家标注分歧：形态学强化扩散模型 MoDiff 深度解析

在医疗影像分割领域，我们经常面临一个非常现实的困境：“模糊性”（Ambiguity）。同一张肺部 CT 结节或者脑部 MRI 病灶，四个不同的资深医生可能会画出四个不一样边界的轮廓 。这种“金标准”本身就不唯一的情况，让 AI 模型在学习时无所适从。

为了解决这个问题，基于扩散模型（Diffusion Models）的概率分割技术应运而生，但它们往往会导致生成的预测结果边缘模糊、形态不一致 。如何让模型既能理解这种“模糊和不确定性”，又能画出清晰、符合人体解剖学形态的边界？这篇发表在MICCAI2025名为 MoDiff 的论文给出了一套极具启发性的解决方案。

1. 研究背景：医疗影像的“薛定谔边界”

医疗影像天生自带模糊属性（设备噪声、低分辨率、组织结构相似等） 。为了应对这种不确定性，以往的研究（如 Probabilistic U-Net 或传统的条件扩散模型）会通过学习概率分布，针对同一张图生成多个不同的分割结果 。

然而，现有的概率分割模型存在两个致命痛点：

(1) 形态一致性差： 扩散模型在反复采样去噪的过程中，容易放飞自我，导致生成的器官或肿瘤边界在不同采样结果间差异过大，甚至违背解剖学常识 。

(2) 标注信息浪费： 以前的模型在训练时，通常是每次从多个医生的标注中**随机抽取一个（One-hot 格式）**作为参考标签。这不仅增加了训练迭代次数，还割裂了多位医生标注间的内在联系 。

2.核心创新：概率标签与形态学强化

为了打破上述僵局，MoDiff（Morphology-Emphasized Diffusion Model）提出了两个维度的底层创新：

创新1： 放弃 One-hot，拥抱“概率标签”： 模型不再随机挑选某一个医生的标注，而是将所有医生的标注叠加求平均，生成一个基于概率分布的连续值标签图 。这让模型一眼就能看出“哪里是医生有共识的绝对病灶，哪里是存在争议的模糊边界”。

创新2： 引入频域过滤与形态学交叉注意力： 构建了两个全新的即插即用模块——**LDF（可学习离散频率滤波器）**和 MCA（基于形态学的交叉注意力网络），在去噪过程中强势注入边界和形态约束 。

3.模型方法深度解析

3.1 MCA：基于形态学的交叉注意力

医疗影像对比度低，传统的边缘提取算子（如 Canny、Sobel）很难抓准器官轮廓 。MCA 通过交叉注意力机制将“原始清晰图像”的信息注入到“充满噪声的分割图”中。

模型将原图切分成 $2\times 2$ 的大 Patch 作为 Query（Q），将带噪的标签图切分成 $4\times 4$ 的小 Patch 作为 Key（K）和 Value（V） 。其注意力得分计算公式为：

${x_t^{\prime }}^m=\frac{(x_t^m{W}_q)(x_t^m{W}_k{)}^{\top }}{\sqrt{d}}$

请注意！这里作者故意去掉了传统 Transformer 中必备的 Softmax 归一化操作 。为什么？因为 Softmax 的作用是“平滑”，而在带噪的扩散过程中，我们需要的是“锐化”——极致放大真实标签信号与噪声信号的对比度，从而更暴力地剥离噪声 。

3.2 LDF：可学习离散频率滤波器

由于直接在空间域（像素点）去噪容易破坏图像的边缘细节，作者把目光投向了频域。

$LDF(y^B)={\mathcal{F}}^{-1}(\sigma (\mathcal{F}(y^B)\ast H))$

其中 $\mathcal{F}$ 代表快速傅里叶变换 FFT，${\mathcal{F}}^{-1}$ 代表逆变换，$\sigma$ 是 Sigmoid， $H$ 是高频滤波器。这就好比我们修音频时的“高级均衡器（EQ）”。$\mathcal{F}$ 把图像从像素画面变成了“声波频率”。随后，模型用一个由 $3\times 3$、$5\times 5$、$7\times 7$ 卷积组成的自适应滤波器 $H$（你可以理解为智能降噪旋钮）把干扰的高频噪点压制住，同时保留代表组织边缘的特定高频信息，最后再用 ${\mathcal{F}}^{-1}$ 变回图像 。

3.3 三管齐下的损失函数 (Loss)

除了扩散模型常规的去噪损失 ${\mathcal{L}}_{simple}$，MoDiff 增加了 ${\mathcal{L}}_{LDF}$（逼近理想形态学特征）和 ${\mathcal{L}}_{MCA}$（注意力正则化，防止模型只死盯住某几个 Patch） 。

4.实验结果：在模糊中寻找精准

研究团队在两个极具挑战的模糊医学数据集上进行了测试：LIDC-IDRI（肺结节，12位医生标注）和 MS-MRI（多发性硬化症脑病灶） 。

(1) 精准性与一致性双赢： 在衡量分布差异的 GED、HM-IoU 指标，以及衡量结构相似度的 NCC 和 CI 指标上，MoDiff 全面超越了 cFlow、MOSE、CIMD 以及 CCDM 等 SOTA 概率分割模型 。

(2) 轮廓之美： 定性结果显示，对比其他模型生成的“坑坑洼洼”的边缘，MoDiff 捕捉到的病灶细节更加丰富，边缘更加平滑且符合人体真实解剖结构 。

(3) 传统算子降维打击： 在消融实验中，作者将自研的 LDF 模块与经典的 Canny、Sobel 边缘检测算子进行替换对比，结果证明 LDF 在提取有效边界特征时具有压倒性的优势 。

5.几个问题的思考

问题1：为什么要使用概率标签？

简单来说，这是教 AI 认知世界方式的底层逻辑转变：从“非黑即白”的死板，变成了“接受灰度”的灵活。可以通过一个具体的临床场景来拆解这两种标签的区别。

假设有一张肺结节的 CT 图，请了 4 位顶尖的三甲医院资深影像科医生来勾画结节的轮廓。因为图像边缘很模糊，4 位医生画的圈大小都不完全一样。结节的最中心区域：4 位医生都画进去了。结节的边缘模糊地带只有 2 位医生认为这里是结节，另外 2 位认为这是正常组织。面对 4 位医生的不同标注，传统模型通常会这么做：

(1) 随机抽签（盲盒模式）： 模型在第一轮训练时，随机抽了医生 A 的标注（边缘画得大）告诉 AI：“边缘这里是病灶（1）！”；到了第二轮训练，又随机抽了医生 B 的标注（边缘画得小）告诉 AI：“边缘这里不是病灶（0）！”。
(2) 结果： AI 模型直接精神分裂了。对于同一个边缘像素，昨天告诉它是 1，今天告诉它是 0，导致模型在预测边缘时疯狂震荡，最后只能胡乱猜一个均值，给出的轮廓自然“坑坑洼洼”。

MoDiff 的创新是接受模糊的“软标签”，把 4 张标注图叠在一起，算一个平均值 。这样

结节的中心像素， 4 位医生都画了，得分是 $4/4=1.0$。AI 学到这里 100% 是病灶，绝对不能漏掉。
结节的边缘像素，只有 2 位医生画了，得分是 $2/4=0.5$。AI 学到这里有 50% 的概率是病灶，处于争议地带。
远离结节的正常肺部没有医生画，得分是 $0/4=0.0$。AI 学到这里 100% 安全。

医疗影像本身就是充满噪声和伪影的，有些边界连神仙难断。概率标签真实地保留了这种“人类专家的不确定性（Uncertainty）” 。传统方法随机选一个医生的标注，等于浪费了另外 3 位医生的心血。概率标签一次性融合了所有专家的共识，数据利用率达到 100% 。模型再也不会因为每次看到的“标准答案”打架而困惑。它明确知道哪里该笃定（概率接近 1 或 0），哪里该谨慎（概率在 0.5 左右），从而生成更加平滑、符合人体真实解剖形态的预测结果 。

问题2：为什么是向概率标签图 $L_b$ 加噪，而不是原始图片？

要回答这个问题，需要明确当前 AI 模型的“终极任务”是什么。

(1) 扩散模型的核心逻辑：你想生成什么，就向什么加噪。

如果是“图像生成”任务（比如 Midjourney 根据文字生成一幅画）：模型需要无中生有地生成一张原始图片。这时，前向过程是向“原始图片”加噪，直到变成纯噪声；反向过程则是从纯噪声开始，一步步去噪还原出“图片”。如果是“图像分割”任务（比如 MoDiff）：我们已经有了完美的“原始医疗图片”（CT 或 MRI），我们不需要去生成它 。我们真正需要模型无中生有生成的是——“病灶的分割标签（Mask）”。

在MoDiff 中，我们希望模型学会一套手艺：“看着原图，画出标签”。于是原图是“提示词”，标签才是“画布”。加噪过程（破坏阶段）拿完美的概率标签图 $L_b$（作为 $x_0$），向它里面不断注入高斯噪声，直到它变成一堆毫无意义的雪花噪点（$x_T$）。去噪过程（生成阶段）模型从这堆雪花噪点（$x_T$）开始，试图把它还原回清晰的标签图 $x_0$。但如果在毫无提示的情况下盲目去噪，模型不知道画什么。此时，“原始医疗图片 $x_b$” 就作为最关键的条件（Condition）被送入模型（通过 MCA 等模块） 。

6.批判性分析

尽管 MoDiff 在处理模糊性标注上交出了亮眼的答卷，但在实际临床落地前，可能有如下几个问题：

(1) 计算效率与推理延迟（致命痛点）： 扩散模型的通病在于采样速度慢。MoDiff 的推理时间步长设置为了 $T=250$ 。虽然增加了采样步数带来了精度的提升，但这以牺牲庞大的计算效率为代价 。未来必须引入如 DDIM、DPM-Solver 等更高级的噪声调度策略（Noise Scheduling），或者蒸馏技术，将采样步数压缩到 10 步甚至 5 步以内 。

(2) 硬编码的分块策略泛化性存疑： 在 MCA 模块中，作者固定将原图切分为 $2\times 2$，将标签图切分为 $4\times 4$ 。这种硬编码的 Patch 比例在处理 $128\times 128$ 的小尺寸图像时表现良好，但如果迁移到 $1024\times 1024$ 的高清病理切片或 3D 医疗体素数据时，尺度信息可能会严重失配，需要引入动态自适应的分块机制。

(3) 缺乏多模态融合的深度探索： 论文在 MS-MRI 数据集上提到了包含四种模态（FLAIR、T2 等） ，但模型设计上并未专门针对跨模态特征（如 T1 与 T2 的互补信息）进行深度融合机制的设计。正如作者在 Future Work 中提到的，引入多模态结构（Multimodal structures）将是下一步的重要发力点 。