Oct, 2023

基于辐射扩散生成模型的自监督胎儿 MRI 三维重建

PDF
TL;DR提出了一种基于 Radiation Diffusion Generation Model (RDGM) 的新型胎儿脑 MRI 高质量体重建方法，该方法利用 Neural Radiation Field (NeRF) 和超分辨率生成的扩散模型，使用预训练的 transformer 模型进行切片配准，进一步增强了体积的全局一致性和区分能力，实验结果表明该方法在真实世界胎儿脑 MRI 堆栈上表现出最先进的性能。
fetal brain mrivolume reconstructionradiation diffusion generation modelneural radiation fieldvolume diffusion super-resolution generation
发现论文，激发创造
  • FetalDiffusion：具有条件扩散模型的可控姿态 3D 胎儿核磁共振成像合成

    该研究提出了一种使用条件扩散模型生成可控姿态的三维合成胎儿磁共振成像方法，并采用辅助姿态级损失来增强模型性能。实验证明，该方法生成的高质量合成胎儿磁共振成像能够准确识别胎儿姿态，并与真实胎儿磁共振成像比较具有竞争优势。此外，通过集成合成胎儿磁共振成像，可以提高胎儿姿态估计模型的性能，尤其适用于数据有限的情况下，相对于真实扫描数据，能够提高 15.4％的 PCK 值和减少 50.2％的平均误差。该方法有望更有效地解决胎儿运动问题，从而提高实时追踪模型的性能。

    Mar, 2024

  • RadRotator：基于扩散模型的根管 X 射线片的三维旋转

    利用扩散模型技术将二维图像转化为三维体积，从医学角度解决了之前研究中的两个限制，并通过像素强度随机变换训练和推断，使得扩散模型能在传统射线照片上进行可靠的深度学习

    Apr, 2024

  • 使用展开扩散模型的自监督 MRI 重建

    介绍了一种自监督深度 MRI 重建模型，名为 SSDiffRecon，该模型在使用不完整采样的 k 空间数据的情况下通过条件扩散过程实现了快速和高质量的图像重建。

    Jun, 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

  • 自监督同性质超分辨率胎儿脑磁共振成像

    该文提出了一种基于自监督学习的单体积超分辨率框架（SAIR）用于胎儿脑 MRI 的图像重建，实验证明 SAIR 与多体积超分辨率重建方法相当，并且可以纳入当前的重建流程。

    Nov, 2022

  • DDM$^2$: 用生成性扩散模型进行自监督扩散 MRI 去噪

    该论文提出了一种自监督的去噪磁共振成像方法，称为 DDM^2，通过将统计基础的去噪理论整合到扩散模型中，采用条件生成实现去噪。在实验中，该方法在 4 个真实的体内扩散 MRI 数据集上展现了卓越的去噪性能，用临床相关的定量和定性指标进行评估。

    Feb, 2023

  • X-Diffusion：使用横截面扩散模型从单张图像生成详细的 3D MRI 体积

    X-Diffusion 是一种为磁共振成像 (MRI) 数据量身定制的横截面扩散模型，能够从一张或少量多张 MRI 切片中生成完整的 MRI 体积，实现了从极度稀疏的观测得到合成 MRI 的精度方面的新突破。

    Apr, 2024

  • Phy-Diff: 物理导向的沙漏扩散模型用于扩散 MRI 合成

    本研究提出了一种基于物理原理的扩散模型来生成高质量的扩散磁共振成像，引入了扩散过程中的噪声演化物理原理和基于查询的条件映射，并通过采用适配器技术引入 XTRACT 图谱作为白质束的先验知识，实验结果表明我们的方法优于其他最先进的方法，并具有推进扩散磁共振成像增强的潜力。

    Jun, 2024

  • DiffRF: 基于渲染引导的 3D 辐射场扩散

    DiffRF 是一种针对三维辐射场合成的新方法，利用去噪扩散概率模型生成体积辐射场。通过将去噪公式与渲染损失配对，我们的模型可以学习偏态先验，使其倾向于良好的图像质量而不是试图复制浮动伪像等拟合误差。与 3D GAN 相比，我们的扩散方法自然地实现了条件生成，例如掩蔽完成或推理时的单视图 3D 合成。

    Dec, 2022

  • 基于切片隐式扩散模型的 3D MRI 合成：改善数据稀缺情况下肿瘤分割任务

    利用切片扩散架构，从医学图像生成融合体数据和对应掩膜，以解决医学图像分割中数据获取不足的问题，并考虑肿瘤特征进行生成，通过对 BRATS2022 数据集的实验证明生成数据对数据增强的有效性。

    Jun, 2024