May, 2023

使用掩码扩散模型进行医学图像无监督异常检测

PDF
TL;DR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。
发现论文，激发创造
  • MAEDiff: 基于掩码自编码器增强扩散模型的无监督脑部图像异常检测

    我们提出了一种新颖的蒙版自编码器增强扩散模型 (MAEDiff)，用于无监督异常检测脑部图像。MAEDiff 包括分层补丁分割，通过重叠上层补丁生成健康图像，并在次级补丁上采用基于蒙版自编码器的机制来增强未加入噪声区域的条件。对肿瘤和多发性硬化症病灶的数据进行了大量实验证明了我们方法的有效性。

    Jan, 2024

  • 脑图像的反事实生成和异常检测的扩散模型

    通过弱监督方法生成病变图片的健康版本，并利用此图像生成像素级异常地图，以提升放射科医生的训练文件和分割模型的可解释性。

    Aug, 2023

  • 遮蔽扩散作为自监督表示学习者

    最近，去噪扩散概率模型展示了最先进的生成性能，并被用作强大的像素级表示学习器。本文将扩散模型内在的生成能力与表示学习能力之间的相互关系进行了分解。我们提出了掩蔽扩散模型 (MDM)，这是一种可扩展的自监督表示学习器，用于将传统扩散中的加性高斯噪声替换为遮罩机制。我们所提出的方法在医学和自然图像语义分割任务中明显超越了先前的基准，并在少样本场景下展示了显著的进展。

    Aug, 2023

  • 基于差异的脑 MRI 病变检测扩散模型

    本文提出了一种名为差异分布医学扩散（DDMD）的模型，用于脑 MRI 中的病变检测，通过将异构样本中的分布差异转化为图像级注释的不一致性，保留了像素级的不确定性，并实现了隐式分割集合，最终提高了整体检测性能。通过在包含脑肿瘤检测的多模态 MRI 扫描的 BRATS2020 基准数据集上进行的详尽实验，证明了我们方法与当前方法相比的良好性能。

    May, 2024

  • 自动扩散模型在异常检测中的增强鲁棒性和泛化能力：掩码、缝合和重采样技术

    AutoDDPM 是一种提高扩散模型鲁棒性的新方法，通过联合噪声分布重采样，将扩散模型生成的潜在异常性的初始似然率图像与原始图像无缝集成，实现了谐波和修补效果，该研究展示了 AutoDDPM 在替换异常区域保留健康组织方面的有效性，同时在医学影像学领域促进了鲁棒和可解释的异常检测。

    May, 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

  • FDDM：使用频率解耦扩散模型的无监督医学图像翻译

    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

  • 基于掩码条件扩散的模态循环用于 MRI 无监督异常分割

    该研究介绍了一种名为 Masked Modality Cycles with Conditional Diffusion (MMCCD) 的方法，用于在多模式 MRI 中分割异常区域，通过结合循环模态转换和掩码条件扩散模型，实现了对训练过程中未遇到的组织和图像样式的异常检测。该方法在医学图像领域具有重要的应用价值。

    Aug, 2023

  • 基于掩码扩散后验取样的无监督异常检测

    这项研究提出了一种名为遮蔽扩散后验抽样（MDPS）的新方法，该方法能够数学地重建正常图像并在贝叶斯框架下基于扩散的正常图像先验进行多次扩散后验采样，通过像素级和感知级的度量有效计算每个正常后验采样与给定测试图像之间的差异图，并通过对多个后验采样的所有差异图求平均来获得异常分数，实验证明 MDPS 在正常图像重建质量、异常检测和定位方面能够达到最先进的性能。

    Apr, 2024

  • AnoFPDM: 前向扩散模型用于脑部 MRI 的异常分割

    无需像素级标签，利用弱监督扩散模型进行异常分割，提升信号强度并优于最新弱监督方法。

    Apr, 2024