Sep, 2023

DiffGAN-F2S：基于脑 fMRI 的结构连接预测的对称高效去噪扩散生成对抗网络

PDF
TL;DR一种名为 DiffGAN-F2S 的模型被提出，通过脑 fMRI 预测脑的结构连接，并在公开的 ADNI 数据集上展现出优越的性能，能够识别重要的脑区和连接，提供了一种多模态脑网络融合和临床疾病分析的替代方案。
functional connectivitystructural connectivitydiffgan-f2sfmriadni dataset
发现论文，激发创造
  • 利用解缠变分自编码器融合结构和功能连接性以检测 MCI

    考虑到多模态神经影像具有互补信息，本文提出了一种新的层次结构 - 功能连接融合（HSCF）模型，并在 ADNI 数据库上进行了测试，结果显示该模型在分类评估方面的表现优于其它竞争模型，能够更好地生成脑结构 - 功能连接并识别认知疾病的异常大脑连接。

    Jun, 2023

  • 多分辨率时空增强变压器去噪与功能扩散 GAN 构建 MCI 分析脑有效连接

    本论文提出了一种新型的多分辨率时空增强变压器去噪网络，利用一个条件扩散过程将噪声和功能磁共振成像（fMRI）转换为对轻度认知障碍（MCI）进行分析的有效连接，该模型不仅预测性能卓越，而且能够识别与临床研究一致的 MCI 相关因果连接。

    May, 2023

  • 跨模态变换生成对抗网络：用于阿尔茨海默病分析的脑结构功能深度融合网络

    提出了一种名为交叉模态变换生成对抗网络（CT-GAN）的新模型，能够从功能磁共振成像（fMRI）和扩散张量成像（DTI）中有效地融合功能和结构信息，并通过分析生成的连接特征来识别与阿尔茨海默病相关的大脑连接。评估结果表明，该模型能够显著提高预测性能，有效地检测与阿尔茨海默病相关的大脑区域，并为检测与该病相关的异常神经回路提供了新的见解。

    Sep, 2023

  • 一种基于功能连接性的生成式自监督框架用于 fMRI 数据

    利用动态功能连接图中的时空信息，我们提出了一种生成式自监督学习方法，通过大规模 fMRI 数据集的实证结果表明，我们的方法在下游任务的微调中能够学习到有价值的表示，并构建出准确且稳健的模型。

    Dec, 2023

  • 通过条件 ViT-GANs 实现结构 MRI 和功能连接网络的跨模态综合

    本研究使用条件视觉变换生成对抗网络（cViT-GANs）基于 sMRI 输入生成 FNC 数据，为精神分裂症等领域的医学影像研究提供了新的探索，实验结果显示 cViT-GAN 模型能够有效地合成每个个体的 FNC 矩阵，并获得与实际 FNC 矩阵的 0.73 的皮尔逊相关系数，同时展示了模型捕捉特定脑部区域的结构 - 功能关联的能力，与 Pix2Pix 等条件卷积神经网络（CNN）的生成对抗网络相比具有更好的性能。

    Sep, 2023

  • 使用生成对抗网络进行跨模态翻译以揭示阿尔茨海默病生物标志物

    研究探索了在阿尔茨海默病的语境中使用生成对抗网络（GAN）从功能网络连接和 T1 加权结构磁共振成像数据中生成相应的数据，并通过集成弱监督的方式提高数据过渡的质量。结果显示模型具有良好的相似性和相关性，并在阿尔茨海默病患者的脑部图像中发现了特定的变化模式。

    May, 2024

  • 基于 CycleGAN 和联合扩散的两阶段生成模型用于基于 MRI 的脑肿瘤检测

    提出了一种新颖的 Two-Stage Generative Model (TSGM) 框架，基于 CycleGAN 和 Variance Exploding stochastic differential equation using joint probability (VE-JP) 结合进行脑肿瘤的检测和分割，通过无监督学习和生成模型提高了分割性能和泛化能力。

    Nov, 2023

  • 评估去噪扩散概率模型在重现空间上下文方面的能力

    通过使用随机上下文模型（SCMs）产生训练数据，首次对 Denoising Diffusion Probabilistic Models（DDPMs）在医学成像领域相关信息学习能力进行了系统评估，结果表明 DDPMs 在生成具有空间上下文的图像方面具有显著的能力，可能在数据增强任务中具有 GANs 所不能达到的优势。

    Sep, 2023

  • 基于周期引导的去噪扩散概率模型用于 3D 交叉模态 MRI 合成

    该研究旨在发展一种新型的循环引导去噪扩散概率模型（Cycle-guided Denoising Diffusion Probability Model，CG-DDPM），用于跨模态 MRI 合成，并使用 BraTS2020 数据集定量评估。该方法在 MRI 合成中具有很高的准确性，并与几种现有最先进的网络进行了比较，证明了合成 MRIs 的图像质量的显著改进。该方法增强了当前多模态 MRI 合成方法的能力，为患者的更精确诊断和更好的治疗规划做出贡献。

    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