去噪扩散医学模型
医学放射学分割,尤其是牙科放射学,受标注成本的限制,这需要专门的专业知识和劳动密集型注释。本文提出了一种基于去噪扩散概率模型(DDPM)的简单的预训练方法,用于语义分割,该方法在生成模型方面显示出令人印象深刻的结果。我们的简单方法在标签效率方面取得了显著的性能,并且在预训练和下游任务之间不需要架构修改。我们首先利用 DDPM 的训练目标对 Unet 进行预训练,然后在分割任务上对结果模型进行微调。我们对牙科放射图像分割的实验结果表明,所提出的方法与现有的最先进的预训练方法相竞争。
Jul, 2023
提出了一种结合 Denoising Diffusion Probabilistic Model (DDPM) 和 UNet 架构的 X-ray 图像合成方法,通过使用 3000 多张从 Kaggle 获取的肺炎 X-ray 图像进行训练,成功地生成了与非肺炎图像有明显差异的逼真图像,突出了模型捕捉正样本的关键特征的能力,该合成器能够生成高质量图像,有助于提高机器学习模型的性能,为医疗行业中的更准确、高效的医学诊断铺平道路。
Jan, 2024
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。
Feb, 2023
本研究侧重于使用扩散模型进行半监督图像分割,特别是针对领域泛化问题,结论表明较小的扩散步骤生成的潜在表示比较大的步骤更具鲁棒性,通过利用信息密集的小步骤和较大步骤的正则化效果生成预测,该模型在领域变化设置中表现出明显较好的性能且在领域内保持有竞争力的性能,突显了 DDPM 在半监督医学图像分割中的潜力并提供了优化其在领域变化下性能的见解。
Nov, 2023
我们提出了一种名为 VerseDiff-UNet 的端到端框架,利用了去噪扩散概率模型(DDPM),并通过将噪声图像与标记的掩模相结合,准确地引导扩散方向朝向目标区域,从而实现准确和多样的脊椎医学图像分割模板。此外,我们还结合了形状先验模块来捕获医学图像中特定的解剖学先验信息。通过对 X 光成像获取的一组脊椎图像数据集进行评估,我们的结果表明,VerseDiff-UNet 在准确性方面明显优于其他最先进的方法,并且保留了解剖学的自然特征和变异。
Sep, 2023
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
Fast-DDPM 是一种简单而有效的方法,可同时提高训练速度、采样速度和生成质量,通过仅使用 10 个时间步进行训练和采样,相比 DDPM,Fast-DDPM 能够在医学图像生成任务中优于基于卷积网络和生成对抗网络的当前最先进方法,并将训练时间缩短了 5 倍,采样时间缩短了 100 倍。
May, 2024
人工智能在生物医学成像和放射治疗方面的快速发展受限于大型成像数据仓库的有限可用性。该研究介绍了一种能够使用成对网络和条件编码器生成多个相关 PET-CT - 肿瘤蒙版配对的新颖架构,通过创新的时间步骤控制机制和 “噪声播种” 策略改善 DDPM 采样一致性。尽管我们的模型需要修改感知损失函数以确保准确的特征对齐,但我们展示了生成清晰对齐的合成图像并通过生成图像改善了分割准确性。
Mar, 2024
通过使用 DDPM 模型,我们介绍了一种名为 Re-Diffinet 的框架,用于建模分割模型与真实情况之间的差异,从而提高肿瘤分割的 Dice 评分 0.55% 和 HD95 16.28% 的准确性。
Feb, 2024