ICLRFeb, 2023

DDM$^2$: 用生成性扩散模型进行自监督扩散 MRI 去噪

PDF
TL;DR该论文提出了一种自监督的去噪磁共振成像方法，称为 DDM^2，通过将统计基础的去噪理论整合到扩散模型中，采用条件生成实现去噪。在实验中，该方法在 4 个真实的体内扩散 MRI 数据集上展现了卓越的去噪性能，用临床相关的定量和定性指标进行评估。
magnetic resonance imagingmridiffusion mri scansdenoisingself-supervised
发现论文，激发创造
  • 去噪扩散医学模型

    该研究介绍了一种生成模型 DDMM，可以在大量医学影像分割应用中实现无监督生成逼真的 X 光图像和相关分割结果，并提供数据增强来优化分割性能，优于其他采用数据中心化方法的技术。

    Apr, 2023

  • 基于周期引导的去噪扩散概率模型用于 3D 交叉模态 MRI 合成

    该研究旨在发展一种新型的循环引导去噪扩散概率模型（Cycle-guided Denoising Diffusion Probability Model，CG-DDPM），用于跨模态 MRI 合成，并使用 BraTS2020 数据集定量评估。该方法在 MRI 合成中具有很高的准确性，并与几种现有最先进的网络进行了比较，证明了合成 MRIs 的图像质量的显著改进。该方法增强了当前多模态 MRI 合成方法的能力，为患者的更精确诊断和更好的治疗规划做出贡献。

    Apr, 2023

  • 使用正则化逆扩散进行 MR 图像降噪和超分辨率

    该论文提出了一种新的去噪方法基于得分的反向扩散采样，通过该方法，我们的网络在仅训练冠状膝关节扫描的情况下，在复杂的混合噪声污染的体内肝脏 MRI 数据中表现卓越，并提出了一种用同一网络提高去噪图像分辨率的方法，通过大量实验表明，我们的方法在具有先进性能的同时具有优良的特性，这些先前的 MMSE 去噪器没有的：自由选择去噪程度和量化不确定性。

    Mar, 2022

  • 基于条件扩散模型的引导重建用于无监督脑磁共振成像异常检测

    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

  • Phy-Diff: 物理导向的沙漏扩散模型用于扩散 MRI 合成

    本研究提出了一种基于物理原理的扩散模型来生成高质量的扩散磁共振成像，引入了扩散过程中的噪声演化物理原理和基于查询的条件映射，并通过采用适配器技术引入 XTRACT 图谱作为白质束的先验知识，实验结果表明我们的方法优于其他最先进的方法，并具有推进扩散磁共振成像增强的潜力。

    Jun, 2024

  • Patch2Self: 自监督学习去噪扩散 MRI

    本文介绍了一种自主学习方法 Patch2Self，用于去噪扫描数据，并展示了它在研究微结构建模，纤维束连贯性跟踪和模型估计方面的有效性。

    Nov, 2020

  • 磁共振成像重建中无监督去噪扩散模型的不稳定性

    通过研究发现，即使微小的最坏情况扰动由替代模型传递而来，去噪扩散模型仍然能够生成可能误导临床医生的假组织结构，这种扰动的可转移性表明由于磁共振系统的不完善或其他噪声源，图像重构的鲁棒性可能会受到损害。此外，在更大的扰动强度下，扩散模型会产生与监督模型中观察到的不同且更具挑战性的类似高斯噪声的伪影，这强调了当前最先进的基于扩散的重构模型对可能的最坏情况扰动的脆弱性，并强调了在临床环境中改善其鲁棒性和可靠性的进一步研究的必要性。

    Jun, 2024

  • 使用展开扩散模型的自监督 MRI 重建

    介绍了一种自监督深度 MRI 重建模型，名为 SSDiffRecon，该模型在使用不完整采样的 k 空间数据的情况下通过条件扩散过程实现了快速和高质量的图像重建。

    Jun, 2023

  • 基于 3D 变压器去噪扩散模型的合成磁共振成像计算机断层成像

    使用具有转换器的漫反射概率模型（MC-DDPM）将磁共振成像（MRI）转换为高质量的合成计算机断层扫描（sCT），以便于放射治疗计划，并通过消除 CT 模拟和具有误差的图像配准，从而减少患者的辐射剂量和设置不确定性。

    May, 2023

  • 去噪扩散恢复模型

    本文提出了一种基于先前针对噪声扩散的生成模型的方法 DDPM，用于解决各种图像恢复问题，包括超分辨率，去模糊，填补和上色，相比于现有的非监督方法，DDRM 在重构质量，感知质量和运行时均表现出更好的性能。

    Jan, 2022