Sep, 2023

在扩散模型中引入形状先验模块进行医学图像分割

PDF
TL;DR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。
medical image segmentationdenoising diffusion probabilistic modelingversediff-unetspinal disordersanatomical a priori information
发现论文，激发创造
  • 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

  • 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

  • 通过扩散模型实现语义图像合成

    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

  • 具有掩模先验建模的降噪扩散语义分割

    本文中，我们提出了使用最近发展的去噪扩散生成模型建模的掩模先验来提高现有判别方法的语义分割质量。我们发现简单的集成扩散模型到语义分割中是不够的，并且一次差的扩散过程设计可能导致分割性能下降。我们通过多个实验表明，我们的方法在 ADE20K 和 Cityscapes 数据集上达到了较高的定量和定性性能。

    Jun, 2023

  • 扩散模型的牙科放射学分割预训练

    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。

    Jul, 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

  • 基于扩散的图像修复统一条件框架

    本文提出了一种基于扩散模型的统一条件框架，结合了轻量级 UNet 和固有的差异模型来增强图像恢复的物理约束，采用基本和集成模块实现了对所有块的引导和其他辅助条件信息的整合，并提出了简单而有效的截距补丁分裂策略，将其用于低光量去噪、去模糊和 JPEG 图像恢复的挑战任务中，得到了显著的感知质量提升和恢复任务的推广。

    May, 2023

  • DermoSegDiff: 一种边界感知的皮肤病变分割扩散模型

    皮肤病变分割在皮肤病的早期检测和准确诊断中起着至关重要的作用。本论文提出了一种新的框架 DermoSegDiff，它在学习过程中融入边界信息，并引入了一种新的损失函数来优先考虑边界，并逐渐降低其他区域的重要性。我们还引入了一种基于 U-Net 的去噪网络，在网络内部高效地集成了噪声和语义信息。在多个皮肤分割数据集上的实验结果表明，DermoSegDiff 相比现有的 CNN、Transformer 和扩散方法在各种情况下均具有优越性，展示了其效果和泛化能力。该实现可在 GitHub 上公开访问。

    Aug, 2023

  • 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

  • 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