基于去噪扩散概率模型的视网膜图像生成和分割
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
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
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
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
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
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
通过使用 R2DM 模型和 DDPMs 方法,本研究提出了一种新的用于生成 LiDAR 数据的生成模型,该模型可以基于图像表示生成多样性和高保真度的 3D 场景点云,有效地优化了 KITTI-360 和 KITTI-Raw 数据集的生成任务以及 KITTI-360 数据集的上采样任务。
Sep, 2023
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