扩散模型的牙科放射学分割预训练

Jul, 2023

扩散模型的牙科放射学分割预训练

Pre-Training with Diffusion models for Dental Radiography segmentation

Jérémy Rousseau, Christian Alaka, Emma Covili, Hippolyte Mayard, Laura Misrachi...

TL;DR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。

Abstract

medical radiography segmentation, and specifically dental radiography, is highly limited by the cost of labeling which requires specific expertise and labor-intensive annotations. In this work, we propose a strai

medical radiography segmentation dental radiography label efficiency pre-training method semantic segmentation

发现论文，激发创造

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

在扩散模型中引入形状先验模块进行医学图像分割

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

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

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

基于去噪扩散概率模型的视网膜图像生成和分割

通过提出一种新颖的去噪扩散概率模型（DDPM），该研究优于基于生成对抗网络（GAN）的图像合成方法，结合 Retinal Trees 数据集和 DDPM 算法，生成了视网膜图像和血管树的合成样本，并通过各种评估指标对该数据集进行了定量和定性的评估。

Aug, 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

基于扩散模型的标签效率语义分割

本文研究了扰动扩散概率模型在语义分割任务中的应用，特别是在标注数据有限的情况下。通过探究预训练扩散模型的中间层，我们发现它们可以有效地捕捉输入图像的语义信息，并成为像素级别的分割表示。基于这些观察，我们提出了一种简单的分割方法，能在仅有少量训练图像的情况下显著提高性能。

Dec, 2021

基于去噪扩散概率模型的视网膜 OCT 合成与层分割

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

Re-DiffiNet：利用扩散建模肿瘤分割中的差异

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