Jul, 2022

健康是什么？用生成对抗扩散定位损伤的方法

PDF
TL;DR本文提出一种使用生成扩散概率模型生成反事实图来推断脑病变像素级预测的方法，并且通过隐含指导和注意力调节来操作生成过程，从而提升了之前的方法。
medical image segmentationbrain lesionsgenerative diffusion probabilistic modelscounterfactualsattention conditioning
发现论文，激发创造
  • 脑图像的反事实生成和异常检测的扩散模型

    通过弱监督方法生成病变图片的健康版本，并利用此图像生成像素级异常地图，以提升放射科医生的训练文件和分割模型的可解释性。

    Aug, 2023

  • 三维健康脑组织修复的去噪扩散模型

    通过探索和扩展去噪扩散模型，本研究实现了对健康三维脑组织的一致修复，评估了其在磁共振影像中的回填效果，并在脑组织分割任务中优于现有的病变填充方法。

    Mar, 2024

  • 条件扩散模型用于语义化 3D 医学影像合成

    该论文介绍了 Med-DDPM，这是一种使用扩散模型进行语义 3D 医学图像合成的创新解决方案，解决了医学成像中的普遍问题，如数据稀缺、不一致的采集方法和隐私问题。

    May, 2023

  • 基于差异的脑 MRI 病变检测扩散模型

    本文提出了一种名为差异分布医学扩散（DDMD）的模型，用于脑 MRI 中的病变检测，通过将异构样本中的分布差异转化为图像级注释的不一致性，保留了像素级的不确定性，并实现了隐式分割集合，最终提高了整体检测性能。通过在包含脑肿瘤检测的多模态 MRI 扫描的 BRATS2020 基准数据集上进行的详尽实验，证明了我们方法与当前方法相比的良好性能。

    May, 2024

  • 基于深度生成模型的假健康图像重建用于异常检测的评估：以脑部 FDG PET 为例

    基于模拟现实异常图像的伪健康重建方法的评估程序，旨在提前检测特定于痴呆症如阿尔茨海默病的神经退行性标志物。

    Jan, 2024

  • 基于快速扩散的去除和生成捷径的对抗样本

    通过快速扩散基于反事实的图像生成和基于修补的修改方法，我们检测和量化潜在的捷径特征对模型预测的影响。我们通过在两个大型胸部 X 射线数据集、一个皮肤病损数据集和 CelebA 上确认，验证了我们的方法在推理速度显著提升、图像质量与最先进技术可比的同时的有效性。

    Dec, 2023

  • 面罩条件下使用潜在扩散生成胃肠息肉图像

    为了解决医学领域数据难以获取的问题，本文提出了一种有条件的扩散概率模型（DPM）框架来生成合成的肠道息肉图像以及合成数据在二进制图像分割模型训练中的应用。研究结果表明，合成数据可以有效地帮助提高模型准确性。

    Apr, 2023

  • 使用扩散模型生成视网膜眼底图像和 OCT 图像的逼真对立事实

    使用扩散模型和对抗性强大的分类器结合生成高度逼真的反事实性的视网膜底部图片和光学相干断层扫描 (OCT) B 扫描图像，专家从用户研究中发现，与先前的方法生成的反事实图片相比，使用我们的方法生成的反事实图片更为逼真，甚至难以区分真实图片。

    Nov, 2023

  • 带病理解缠分和对抗学习的伪健康合成

    本文介绍了一种基于分割图的模型，旨在从病理图像中创建主题特定的 “健康” 图像，该方法可以用于异常检测和疾病引起的变化理解。作者使用对抗训练的方法来量化和主观评估伪健康图像的质量，并通过实验表明该方法优于几种基线和文献中的方法。

    Apr, 2020

  • 健康脑组织修复的去噪扩散模型

    通过使用去噪扩散概率模型，本文介绍了一种把肿瘤组织转化为健康组织的方法，通过自动分析磁共振图像中的异常组织，进而实现下游任务。我们的方法在验证集上取得了可比较的结果，平均结构相似性指数为 0.7804，峰值信噪比为 20.3525，均方误差为 0.0113。未来将扩展这种方法，使其能够整体修复感兴趣区域而不会丢失邻近切片的上下文信息。

    Feb, 2024