Aug, 2023

基于掩码条件扩散的模态循环用于 MRI 无监督异常分割

PDF
TL;DR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。
unsupervised anomaly segmentationmasked modality cycles with conditional diffusionmultimodal mriabnormality detectionmedical imaging
发现论文，激发创造
  • 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

  • 基于条件扩散模型的引导重建用于无监督脑磁共振成像异常检测

    通过在扩散模型上引入条件机制，对无监督异常检测中的脑部 MRI 图像重构进行优化，以提高重构质量、域适应性特征和分割性能，并且可在不同 MRI 采集和模拟对比度之间进行领域适应，从而提高脑部 MRI 无监督异常检测的性能和泛化能力。

    Dec, 2023

  • 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

  • 基于分割引导扩散模型的可控解剖学医学影像生成

    通过扩充小规模或不平衡数据集来生成高质量的影像，本研究提出了一种扩散模型来实现解剖结构控制的医学影像生成，有别于现有模型，该模型在每个采样步骤中遵循多类解剖学分割掩模，并采用随机掩模消融算法来实现对所选解剖约束的条件控制。在乳腺磁共振成像和腹部 / 颈至骨盆 CT 数据集上进行比较评估，验证了本模型对于解剖结构真实性和掩模准确性的优越性。此外，我们提供易于使用的代码库并发布了一个生成的成对乳腺磁共振成像数据集，该方法具有多种应用，包括预注册影像生成和反事实情境分析等。

    Feb, 2024

  • 通过屏蔽编码实现对未监督异质性映射的皮层异常学习

    通过大脑皮层异常特征的自我监督检测框架 CAM（Cortical Anomaly Detection through Masked Image Modeling），本研究在未标记数据下探索复杂脑部疾病的无监督检测方法，具体应用于精神病谱系个体的检测，结果表明相比先进方法，在 Schizoaffective 型和 Schizophreniform 型病例上获得了 0.696 和 0.769 的 AUC 值，无需任何标签，同时对与精神分裂症相关的非典型皮层区域例如 Pars Triangularis 和若干额叶区域的分析也进一步验证了该方法的可靠性。总体来说，本研究展示了一种基于皮层异常的复杂脑部疾病异常检测的可扩展方法。

    Dec, 2023

  • 医学异常检测的扩散模型

    我们提出了一种基于去噪扩散内隐模型的弱监督异常检测方法，结合分类器指导进行病态和健康主体之间的图像翻译，生成非常详细的异常地图，无需复杂的训练过程。

    Mar, 2022

  • 一种严格有界的深度网络用于医学图像的非配对循环转换

    医学图像翻译是一个棘手的问题，本研究提出了一种严格有界的双向翻译网络，通过使用自适应字典学习和交叉邻域上下文特征信息来提高翻译的泛化能力，实现了在不配对的医学图像上的稳定双向翻译。

    Nov, 2023

  • 利用条件降噪扩散模型进行异常检测

    本文提出 DDAD，一种新的基于去噪扩散的异常检测方法，其中包括图像重建的新型去噪过程、利用生成样例细调特征提取器的域适应方法等，通过在多个数据集上的测试验证了其优越性能。

    May, 2023

  • 异常融合：多模态异常扩散合成

    为了增强合成异常样本的准确性，研究提出了 AnomalyXFusion 框架，该框架利用多模态信息提高异常样本的质量，包括图像、文本和掩码特征，并通过聚合和整合各种模态特征到统一的嵌入空间以及利用自适应调整来进行受控生成。

    Apr, 2024