Apr, 2023

MedGen3D: 用于生成成对三维图像和掩模的深度生成框架

PDF
TL;DR本文提出了一个用于生成带医学掩模的三维医学图像的深度生成框架 ——MedGen3D，该框架通过生成具有解剖几何的多标签掩模序列并对生成的掩模序列进行条件多条件扩散概率模型（MC-DPM）来实现。 然后，我们利用一个基于图像序列的生成器和语义扩散细化器，对由生成的掩模序列对齐的逼真的三维医学图像进行生成。实验结果表明，MedGen3D 为下游分割任务提供了有价值的细致数据。
medical image segmentation3d medical imagingdeep generative frameworksynthetic datadeep learning
发现论文，激发创造
  • 生成增强三维医学影像

    GEM-3D 是一种基于条件扩散模型的新型生成方法，通过将 3D 医学图像分解为掩模和患者信息，从现有数据集中生成不同变化的高质量 3D 医学图像，实现了数据集的增强。

    Mar, 2024

  • 一种病理多模态 MR 图像和分割的 3D 生成模型

    提出了一种基于 generative 模型和 synthetic 数据的 3D 脑 MRI 和分割模型 brainSPADE3D，可以调节病理表型和对比度，生成高保真的合成图像和相关分割，以改善在数据中存在意外病变时的分割模型性能问题。

    Nov, 2023

  • 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

  • Med3D：三维医学影像分析的迁移学习

    本研究为培训深度学习算法所需数据量的问题提出了一种解决方案，通过建立医学图像分割数据集和使用 Med3D 进行多域协同训练，可以加速涉及 3D 医学图像的任务的训练收敛速度和提高准确度。

    Apr, 2019

  • 基于生成对抗学习的少样本 3D 多模态医学图像分割

    我们提出了一种基于生成对抗网络（GANs）的新方法，用于使用标记和未标记的图像训练分割模型，并针对神经影像学中的 3D 多模态医学图像分割问题进行了全面分析。在对 iSEG-2017 和 MRBrainS 2013 数据集进行试验后，我们报告了与完全监督训练相比的显着性能提高。

    Oct, 2018

  • GuideGen: 用于联合 CT 体积和解剖结构生成的文本引导框架

    本研究提出了一种生成医学图像数据集的管道，通过生成神经模型生成 CT 图像和组织掩码，从而为下游任务提供潜在益处。

    Mar, 2024

  • 生成对抗网络三维骨骼图像合成

    利用三维生成对抗网络（GANs）能够高效地生成高分辨率的医学体积，实现模型可解释性和应用，包括图像变形、属性编辑和样式混合，并在三维 HR-pQCT 示例数据库上进行了广泛验证。

    Oct, 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

  • 一种新的集成学习框架用于三维生物医学图像分割

    提出了一种新的集成学习框架，其结合了 2D 和 3D 模型的优点，通过全卷积网络基于元学习器来提高 2D 和 3D 模型的结果，实现了在完全监督、半监督和转导设置下，相对于最先进的图像分割方法，取得了优越的性能。

    Dec, 2018

  • MediSyn: 用于广泛医学 2D 和 3D 图像合成的文本引导扩散模型

    通过生成逼真且多样化的医学 2D 和 3D 图像，基于指令的文本导向潜在扩散模型 MediSyn 为算法的训练和研究提供了一个丰富且尊重隐私的资源，并通过已建立的指标展示了在医学图像和视频综合中以文本提示为导向的显著改进。

    May, 2024