通过频率引导扩散模型实现零样本医学图像翻译
本研究介绍了一种频率解耦的扩散模型(FDDM),通过在转换过程中将医学图像的频率分量在傅里叶域中分离,实现保留结构并高质量转换图像。通过公开的脑部 MR-to-CT 转换数据集进行了广泛评估,结果表明 FDDM 在产生高度逼真的目标领域图像的同时保持了翻译的解剖结构的准确性。
Nov, 2023
通过双层引导策略有效地引导初始无条件预测,并通过外层近端优化目标加强测量一致性,BGDM 相对于基线方法在生成高保真医学图像方面更加有效和高效,显著减少了严重退化情况下的幻觉性伪影。
Apr, 2024
提出了一种级联多路径快捷扩散模型(CMDM),用于高质量医学图像翻译和不确定性估计,能够产生与最先进方法相媲美的高质量翻译,并提供与翻译误差相关的合理不确定性估计。
Apr, 2024
通过使用深度生成模型,本文提出了一种新颖的无监督图像转换方法,以实现零样本跨模态图像分割任务,并通过与其他生成模型的实证比较进行了验证。
Apr, 2024
通过条件扩散模型和高频 CT 信息,我们开发了一种用于限制角度下 CBCT 重建的鲁棒且具有结构保持特性的方法 (PFGDM),实验证明 PFGDM 在有限的转台角度下能够重建高质量的 LA-CBCT,实现更快速、更灵活和剂量减少的 CBCT 扫描。
Apr, 2024
本文提出了一个名为互信息指导扩散的跨模态数据翻译模型(MIDiffusion)来解决零样本学习交叉模态数据翻译的基本挑战,该方法不需要基于源与目标领域的直接映射,且在实践中应用跨模态数据翻译方法具有优势。
Jan, 2023
提出了一种新颖的频域分解转译方法(FDDT),用于医学图像转译,通过高频和低频分量的对齐来平衡图像的身份和风格信息,并在 MRI 图像和自然图像上进行了广泛的实验评估。
Nov, 2023
本研究通过在每个扩散步骤的输入上应用自适应滤波器(不需要任何额外的培训或网络内部特征),提供与最新的基于体系结构依赖方法相竞争的快速和强大的基线,并允许更连续地调整指导强度。除此之外,还可以用作简单的附加组件,以增强其他最先进的 I2I 方法的结构指导。
Jun, 2023
该论文介绍了一种名为 Transfer Guided Diffusion Process (TGDP) 的新方法,用于在目标领域中将预训练的扩散模型与域分类器的额外指导相结合,以实现优化后的扩散模型,进一步将 TGDP 扩展为用于建模数据及其对应标签的条件版本,并引入两个附加的正则化项以提高模型性能,通过高斯混合模拟和真实心电图数据集验证了 TGDP 方法的有效性。
May, 2024
利用对抗去噪扩散模型和生成对抗网络,训练出具有高泛化能力的生成模型,实现医学图像域转换,生成适用于临床研究目的的超声心动图像。
Mar, 2024