摘要

皮肤病变分割在皮肤病早期检测和准确诊断中发挥着关键作用。去噪扩散概率模型（Denoising Diffusion Probabilistic Models, DDPMs）因其卓越的图像生成能力而近期受到广泛关注。基于这些进展，我们提出了一种新的框架——DermoSegDiff，该框架在学习过程中融入了边界信息。我们的方法引入了一种新颖的损失函数，在训练过程中优先考虑边界信息，逐渐降低其他区域的重要性。此外，我们还设计了一种基于U-Net的去噪网络，能够高效地在网络内部整合噪声和语义信息。在多个皮肤分割数据集上的实验结果表明，DermoSegDiff在现有的卷积神经网络（CNN）、变压器（Transformer）和扩散模型等方法中表现出色，展示了其在各种场景下的有效性和泛化能力。该实现已公开发布在 GitHub 上。