使用扩散概率模型进行深超声波降噪
借鉴扩散模型的进展,我们提出了一种混合方法以改进超声成像质量,通过适应性去噪扩散恢复模型结合超声物理学和基于学习的方法,并在模拟、离体和体内数据上进行全面的实验,证明其较单一面波输入和现有方法相比实现了高质量的图像重建。
Oct, 2023
本文提出了一种通过心脏超声语义标签图引导的去噪扩散概率模型(DDPMs)生成合成图像的新型流程,展示了这些合成图像可以作为医学影像分析任务的深度学习模型训练中真实数据的可行替代品,包括图像分割,并在未见实际数据的数据集上进行了评估,与现有技术相比,Dice 分数分别增加了 9.09%,3.7%和 15.0%,该流程具有应用于各种医学成像模态的各种其他任务的潜力。
May, 2023
SAR 影像消斑技术的新方法 R-DDPM,基于生成模型,通过区域去噪扩散概率模型实现了多尺度合成孔径雷达(SAR)影像的消斑,具有优于现有方法的卓越性能。
Jan, 2024
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
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
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
本文提出了基于去噪扩散概率模型的无线通信方案,旨在解决实际应用中的硬件损伤、信道失真和量化误差等非理想因素,提供低信噪比下的网络韧性、对不同硬件损伤水平和量化误差的近不变重建性能,以及抵抗非高斯噪声的强大分布外表现,并通过余弦相似度和均方误差(MSE)评估与传统深度神经网络(DNN)接收机相比的超过 25 dB 改进的重建性能。
Oct, 2023
利用深度学习的现代生物医学图像分析经常面临有限的注释数据的挑战,为了克服这个问题,可以使用深度生成模型来合成逼真的生物医学图像。通过提供粗略的层次草图,训练的去噪扩散概率模型(DDPM)可以生成逼真的近视视网膜光学相干断层扫描图像。此外,通过知识适应可以获得更准确的伪标签,对分割任务非常有益。通过这一方法,我们观察到层次分割准确性的持续改善,并通过各种神经网络验证。此外,我们还发现,仅使用合成图像训练的层次分割模型可以达到与仅使用真实图像训练的模型相当的结果。这些发现展示了 DDPM 在减少人工注释视网膜光学相干断层扫描图像的需求方面的潜在潜力。
Nov, 2023