May, 2023

条件扩散模型用于语义化 3D 医学影像合成

PDF
TL;DR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。
med-ddpmdiffusion modelssemantic conditioning3d medical image synthesisdata scarcity
发现论文，激发创造
  • 通过扩散模型实现语义图像合成

    本篇论文提出了一种基于 DDPM 的新型框架，用于语义图像合成，通过条件扩散模型来处理语义布局与噪声图像，而引入分类器自由的引导采样策略来进一步提高了生成质量和语义可解释性。

    Jun, 2022

  • Polyp-DDPM：基于扩散的语义息肉合成以提升分割

    介绍了一种名为 Polyp-DDPM 的基于扩散的方法，用于生成基于掩码的息肉真实图像，旨在增强胃肠道息肉的分割。通过在扩散模型上使用分割掩码，Polyp-DDPM 在图像质量和分割性能方面优于现有方法，生成高质量的合成数据集，将可比较于真实图像的分割模型提高至可实现更大数据扩充能力。

    Feb, 2024

  • SatDM：使用扩散模型进行语义布局调节的合成逼真卫星图像

    利用条件 DDPM 模型生成高质量、多样化和准确的卫星图像，以及改进噪声调度、自适应归一化和自注意机制，通过算法和人类意见研究验证其在数据增强等实际应用中的有效性。

    Sep, 2023

  • 时序集成扩散模型的稳健半监督分割

    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

  • 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

  • 医学图像生成的快速去噪扩散概率模型

    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

  • 基于 DDPM 的 X-ray 图像合成器

    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

  • 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

  • 评估去噪扩散概率模型在重现空间上下文方面的能力

    通过使用随机上下文模型（SCMs）产生训练数据，首次对 Denoising Diffusion Probabilistic Models（DDPMs）在医学成像领域相关信息学习能力进行了系统评估，结果表明 DDPMs 在生成具有空间上下文的图像方面具有显著的能力，可能在数据增强任务中具有 GANs 所不能达到的优势。

    Sep, 2023

  • 使用掩码扩散模型进行医学图像无监督异常检测

    本研究提出了一种名为 mDPPM 的方法，通过引入基于掩码的正则化来重新定义扩散模型的生成任务，以将无标签数据用于自我监督学习，从而从健康脑的样本级标签生成所需的表示，确保结果是解剖一致的。 该研究在包含肿瘤和多发性硬化症病变的数据集上评估了这种方法，并展示了我们的无监督方法相对于现有完全 / 弱监督基线的优越性能。

    May, 2023