Oct, 2023

医学图像标准化和增强的潜在扩散模型

PDF
TL;DR使用 DiffusionCT 模型，通过对不同患者的潜在属性进行转换，实现了 CT 影像的标准化，提供了更一致的基础用于下游分析，并进一步减少了 SPAD 影像中的噪声。
computed tomographylung cancerimage standardizationtexture featuresdiffusionct
发现论文，激发创造
  • 相似度感知综合潜在扩散模型用于医学图像转换与表示学习

    我们提出了一种基于潜在扩散模型的综合生成模型（S$^2$LDM），该模型可以在推断过程中实现高保真度重建，优化了不同模态图像之间的相似性，并在对比增强区域生成更多细节的医学图像。

    Jun, 2024

  • 基于潜在扩散模型的乳腺钼靶成像的图像压缩和解压缩框架

    这项研究提出了一种利用潜在扩散模型（LDM）对医学图像进行压缩和解压缩的新框架。实验结果表明，该方法优于传统的文件压缩算法，并且使用解压缩文件训练的卷积神经网络（CNN）模型在性能上与使用原始图像文件训练的模型相当。该方法还显著减小了数据集的大小，使其能够以更小的体积进行分发，并且在医疗设备中占用的空间更小。研究还对于有损压缩算法中的降噪和替代复杂的基于小波的无损算法具有重要意义。

    Oct, 2023

  • 语义扩散模型生成肺结节病变图像高保真合成

    利用语义扩散模型生成高保真度肺部 CT 图像扩充数据集，并在肺结节检测和定位任务中展现了优异性能。

    May, 2023

  • 胸部扩散：用于报告到胸透生成的轻量级文本图像模型

    基于轻量级 Transformer 扩散模型学习框架的胸部 CT 生成模型，在医疗领域中实现了更真实和可信的医学图像生成，并大幅减少了计算复杂性。

    Jun, 2024

  • 标签高效的多器官分割方法与扩散模型

    本研究提出了一种使用预训练扩散模型进行 CT 图像的多器官分割任务的标签高效学习方法，该方法仅需要少量标记数据，在有限标记数据场景下取得了竞争性的分割性能。

    Feb, 2024

  • 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

  • 利用潜在引导扩散和嵌套集合提高医学图像分类的鲁棒性和可靠性

    通过转换器与条件扩散模型相结合的新方法，提高了深度学习模型在医学图像分析中对图像的稳健性，并增加了对临床实践的信任度。

    Oct, 2023

  • 低剂量 CT 图像去噪的扩散概率先验

    本研究提出了一种基于扩散概率模型的全无监督低剂量 CT 图像去噪方法，该方法无需训练数据集，并且能够在保持图像内容一致的同时生成高质量的正常剂量 CT 图像，评估结果显示其性能比多个监督学习方法更优。

    May, 2023

  • 利用神经扩散模型生成合成医学图像识别假肺部

    本文探讨使用神经扩散模型合成医学图像的可能性，结果表明扩散模型生成的图像可以翻译一些胸部 X 射线或 CT 图像中特定医学情况的特征，这是一项新的人工智能医学图像研究，展示了扩散模型在医学图像合成领域的潜力。

    Nov, 2022

  • 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