May, 2023

低剂量 CT 图像去噪的扩散概率先验

PDF
TL;DR本研究提出了一种基于扩散概率模型的全无监督低剂量 CT 图像去噪方法，该方法无需训练数据集，并且能够在保持图像内容一致的同时生成高质量的正常剂量 CT 图像，评估结果显示其性能比多个监督学习方法更优。
low-dose ctdenoising diffusion probabilistic modelunsupervised methoddeep learningmedical imaging
发现论文，激发创造
  • 扩散先验正则化迭代重建低剂量 CT

    通过将消除噪声扩散概率模型（DDPM）与优先数据保真度的重建过程相结合，我们引入了一种迭代重建算法，以减少医患暴露于电离辐射的剂量，从而实现无监督框架中的卓越重建结果。通过融合这两种技术的优点，以及应用 Nesterov 动量加速技术，我们进一步提高了重建过程的效率，为高清晰 CT 图像重建提供了潜在途径。

    Oct, 2023

  • CoreDiff: 上下文误差调制广义扩散模型用于低剂量 CT 去噪和泛化

    该论文提出了一种基于扩散模型的 LDCT 图像降噪新方法 CoreDiff, 并引入了 CLEAR-Net 以及一次性学习框架，以解决之前一些基于深度学习的降噪模型中的过度平滑和训练不稳定性问题，同时取得了在降噪和泛化性能方面的优异表现。

    Apr, 2023

  • 非线性 CT 重建的扩散后验抽样

    通过扩散后验抽样的方法，我们提出了一种解决非线性 CT 图像重建的逆问题的新方法，该方法结合了训练先验评分函数的传统无条件扩散模型和根据非线性物理模型导出的测量似然评分函数，可以用于采样逆向扩散过程。此方法允许将扩散为基础的先验与广义的非线性 CT 图像重建结合到具有不同正向模型的多个 CT 系统设计中，无需任何额外的训练。

    Dec, 2023

  • 配对扩散：使用链接去噪扩散概率模型生成相关的合成 PET-CT 分割扫描

    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

  • 利用高效扩散去噪概率模型从低剂量 PET 中合成全剂量 PET

    降低 PET 成像的辐射暴露风险，引入以低剂量数据合成高质量 PET 图像的 PCT-CM 方法，通过逆扩散过程和 PET-VIT 网络实现高效的去噪过程，获得与现有扩散合成模型相媲美的合成质量，提升低剂量 PET 图像在临床应用中的质量。

    Aug, 2023

  • 基于分区汉克尔的少样本低剂量 CT 重建模型

    提出了一种利用基于分区汉克尔的扩散模型进行少量剂量 CT 重建的方法，该方法通过结构化张量从多个分区汉克尔矩阵中提取先验知识，利用迭代随机微分方程求解器以及数据一致性约束来更新获得的投影数据，并引入惩罚加权最小二乘和总变差技术以提高图像质量。结果表明，PHD 模型在减少伪影和噪音的同时保持图像质量方面表现出色。

    May, 2024

  • 医学异常检测的扩散模型

    我们提出了一种基于去噪扩散内隐模型的弱监督异常检测方法，结合分类器指导进行病态和健康主体之间的图像翻译，生成非常详细的异常地图，无需复杂的训练过程。

    Mar, 2022

  • 通过对预训练的用于高斯降噪的 UNet 进行微调，用于低剂量 CT 图像重建与图像增强的下游任务

    这篇论文提出了一种计算机断层扫描（CT）图像增强方法，采用低剂量 CT 图像重建和神经网络预训练技术，取得了与当前最先进方法相媲美的结果。

    Mar, 2024

  • 扩散模型实现实际噪声抑制

    本文介绍了一种基于扩散模型的新型通用去噪扩散模型，采用线性插值进行扩散，中间的噪声图像从原始的清晰图像和相应的真实噪声图像进行插值，使得该扩散模型可以处理添加噪声的级别，并且提出了两种采样算法，实验证明该模型在真实去噪基准测试中表现良好。

    May, 2023

  • 医学图像标准化和增强的潜在扩散模型

    使用 DiffusionCT 模型，通过对不同患者的潜在属性进行转换，实现了 CT 影像的标准化，提供了更一致的基础用于下游分析，并进一步减少了 SPAD 影像中的噪声。

    Oct, 2023