• 分类：DiffMIC引入了一种双粒度条件引导（DCG）策略来指导扩散和采样过程，思路与放射科医生的诊断过程类似，在去除负噪声影响时，我们可以从全局先验中获得整体理解，也可以从局部先验中集中关注与病变对应的区域。最后引入了特定条件的最大均方差（MMD）正则化，以学习每个粒度在潜在空间中的相互信息。

  
  

• 分割：模型使用扩散模块学习背景信号，血管区域则视为异常区域，这样利于生成模块有效地提供血管的表征。此外，该模型使用基于可切换的空间自适应去规范化 (SPADE) 的对抗学习来合成伪血管图像和血管分割图，用来获得与血管相关的语义信息。模型将扩散网络和对抗生成网络结合，从而实现性能比较好的自监督学习。

• 去噪：提出了一种基于DDPM对视网膜OCT图像进行去噪的网络，由于有限的空间频率带宽，光学相干断层扫描（OCT）过程中会不可避免地出现散斑，传统去散斑的方法是对同一个位置进行多次扫描并将扫描的图像进行取平均，从而得到一个高信噪比的图像，但这样进行大量的重复扫描会比较耗时，有一些深度学习的方法可以解决这个问题，但是她们都是有监督的，需要大量的标签数据。本文提出的方法不需重复扫描，并且基于扩散模型实现无监督的学习。首先通过self-fusion的方法来得到比较干净的图像，具体方法可以参考论文，大致思想是将邻域帧的图像进行加权叠加得到相对高信噪比的图像，之后就利用标准的去噪扩散概率模型来训练参数化的马尔科夫链，由于反向步骤的数量是可调的，该算法能够产生不同级别的去噪结果。所以可以根据不同的任务需要在图像中保持不同级别的细节。

DiffusionModel_0628