去噪扩散概率模型 (DDPM)

Parent: ai_keywords

去噪扩散概率模型（DDPM）

核心定义

去噪扩散概率模型（Denoising Diffusion Probabilistic Models, DDPM）是一种基于非平衡热力学原理的生成式深度学习框架。其核心思想是通过两个相反的过程实现数据生成：前向扩散——逐步向真实数据添加高斯噪声，直至完全破坏为随机噪声；反向去噪——学习一个参数化的神经网络，从纯噪声中逐步去除噪声，复原出高质量的目标数据。DDPM在图像、语音、医学影像生成等领域表现卓越，尤其在高保真度和模态多样性方面超越传统生成对抗网络。

关键技术点

  1. 前向扩散过程的马尔可夫链：定义一系列逐渐增大的噪声方差，将原始数据 (x_0) 逐步转化为各向同性高斯噪声 (x_T)。每一步 (q(x_t|x_{t-1})) 是已知的高斯转移核，无需学习。

  2. 反向去噪过程的参数化：学习一个神经网络 (\epsilon_\theta(x_t, t)) 预测当前步的噪声，进而逐步移除噪声。反向过程同样建模为马尔可夫链，初始状态为标准高斯噪声。

  3. 变分下界优化：DDPM的训练目标等价于最大化对数似然的变分下界（ELBO），可简化为简单的均方误差损失：(\mathbb{E}{t, x_0, \epsilon} \left[ |\epsilon - \epsilon\theta(x_t, t)|^2 \right])，其中 (\epsilon) 是添加的噪声。

  4. 噪声调度与步数设计：前向过程的方差序列（线性、余弦或缩放调度）决定生成质量与速度。通常需要数百至数千步以保证逆过程精确；近年来提出的采样加速策略（如DDIM、LDM）大幅降低了推理成本。

医学/神经科学应用场景

基于DDPM的脑卒中病灶自动分割（首都医科大学神经病学研究背景）

脑卒中（缺血性或出血性）的准确病灶定位对预后评估和治疗决策至关重要。传统分割模型在训练数据有限、病灶边界模糊时容易失效。DDPM可利用其强大的生成能力：

  • 数据增强：对有限的脑部磁共振（如DWI、ADC）和CT图像进行高质量、多样化的病灶区域合成，扩充训练集，缓解数据不平衡问题。
  • 掩码条件生成：将DDPM改造为条件生成模型（如将病变掩码作为条件输入），从无病灶的正常图像生成带有病灶的异常图像，帮助模型学习病灶的形态学特征。
  • 不确定性量化：DDPM的随机采样过程可多次生成分割结果，通过统计一致性获得每个像素的置信度，辅助临床医生判断高风险边界区域，降低漏诊与误诊风险。

首都医科大学团队可凭借多中心脑卒中影像数据，结合DDPM实现鲁棒的病灶分割，为溶栓治疗提供客观影像学依据。