医学异常检测的扩散模型
扩展前述的隐式条件方法,我们提出了一种新的框架,通过动态步长计算、无噪声缩放输入和潜在空间投影的方式增强了扩散模型的能力,有效地定位异常并在两个著名异常检测数据集上取得了最先进的性能。
Jan, 2024
通过在扩散模型上引入条件机制,对无监督异常检测中的脑部 MRI 图像重构进行优化,以提高重构质量、域适应性特征和分割性能,并且可在不同 MRI 采集和模拟对比度之间进行领域适应,从而提高脑部 MRI 无监督异常检测的性能和泛化能力。
Dec, 2023
我们提出了一种新颖的蒙版自编码器增强扩散模型 (MAEDiff),用于无监督异常检测脑部图像。MAEDiff 包括分层补丁分割,通过重叠上层补丁生成健康图像,并在次级补丁上采用基于蒙版自编码器的机制来增强未加入噪声区域的条件。对肿瘤和多发性硬化症病灶的数据进行了大量实验证明了我们方法的有效性。
Jan, 2024
通过使用去噪扩散算法,本研究提出了一种新颖的胰腺肿瘤检测方法,利用弱监督异常检测技术,可以在不需要复杂的训练协议和分割掩模的情况下,实现病变与健康对象之间的图像平滑转换,产生详细的异常图,为胰腺肿瘤检测领域的进一步研究做出了贡献。
Jun, 2024
本研究探究了扩散模型在不使用数据注释的情况下,用于视频异常检测的性能。实验结果表明,该方法优于现有的生成模型,并且是第一项使用扩散模型并研究其参数影响的研究。
Apr, 2023
提出了一种基于扩散的少样本异常生成模型,利用大规模数据集中学习到的潜在扩散模型的强优先信息,增强生成的真实性,并通过创新的自适应注意力重新加权机制提高生成异常图像和异常遮罩之间的对齐,实现了准确匹配的异常图像 - 遮罩对,从而显著提高异常检测任务的性能。
Dec, 2023
通过引入合成异常样本和空间自适应特征融合方案,本文提出了一种全局和局部自适应扩散模型(GLAD)用于无监督异常检测,增加了灵活性并实现了无异常的重构,同时保留了尽可能多的正常信息。
Jun, 2024
基于潜在伯努利扩散模型的新颖快速非监督异常检测方法,通过自编码器将输入图像压缩成二进制潜在表示,使用伯努利噪声进程的扩散模型从扰动的潜在空间进行训练以恢复二进制潜在表示,并基于这些概率提出了基于掩蔽算法来改进异常检测评分,具有超越其他基于扩散的非监督异常检测算法的最新性能,同时显著减少了采样时间和内存消耗。
Mar, 2024
该研究探讨了扩散模型在无监督和半监督异常检测中的应用,并在相应的基准测试中表现出了出色的性能,特别是在 DTPM 中,使用深度神经网络提高推断效率,获得了比 DDPM 更快的推理时间和更好的性能。
May, 2023