生成式医学图像分割框架 | GMS技术：结合VAE和隐空间映射模型实现高效分割性能！

标题：Generative Medical Segmentation论文: https://arxiv.org/pdf/2403.18198.pdf源码: https://github.com/King-HAW/GMS导读在本文中，作者提出了生成式医学分割（Generative Medical Segmentation, GMS）统一框架，以纯生成的方式对分割任务进行建模。简单来说，GMS 利用预先训练的 VAE 编码器来获得具有语义信息的潜在表示，然后仅训练隐空间映射模型来学习从图像隐空间表示到分割掩模隐空间表示的变换函数。通过使用预训练的 VAE 解码器对变换后的隐空间表示进行解码来获得最终的分割结果。得益于预训练的VAE模型鲁棒的隐空间，GMS 在不同领域的医学图像分割数据集中均获得了最佳性能。此外，GMS的跨域泛化能力也优于一些其他的Domain-Generalization方法。动机一直以来，图像分割在医学图像分析领域发挥着至关重要的作用。U-Net此前，医学图像分割任务设计的主要范式主要是以U- ………………………………