EMIT-Diff：通过文本引导的扩散模型增强医学图像分割

Oct, 2023

EMIT-Diff：通过文本引导的扩散模型增强医学图像分割

EMIT-Diff: Enhancing Medical Image Segmentation via Text-Guided Diffusion Model

Zheyuan Zhang, Lanhong Yao, Bin Wang, Debesh Jha, Elif Keles...

TL;DR本文提出了一种用于医学图像合成的新方法，即 EMIT-Diff，它利用最近的扩散概率模型生成逼真且多样化的合成医学图像数据，并确保合成样本符合医学相关约束并保留成像数据的底层结构。在多个数据集上进行的实验证明了 EMIT-Diff 在医学图像分割任务中的有效性，并展示了引入首个文本引导的扩散模型用于通用医学图像分割任务的可行性。

Abstract

Large-scale, big-variant, and high-quality data are crucial for developing robust and successful deep-learning models for medical applications since they potentially enable better generalization performance and avoid overfitting. However, the scarcity of high-quality labeled data alway

deep-learning models medical image synthesis emit-diff diffusion probabilistic models medical image segmentation

发现论文，激发创造

使用扩散模型进行模糊医学图像分割

该研究提出了一种利用扩散模型和随机采样方法生成多个可行的医学图像分割结果的方法，这种方法应用于 CT、超声波和 MRI 图像时，不仅能够提高分割准确度而且能够捕捉自然变异，同时还提出了一种度量分割结果多样性的新指标。

Apr, 2023

通过视觉和文本提示增强皮肤镜病变分割的扩散模型

应用扩散模型结合病灶特定的视觉和文本提示生成皮肤镜检测图像，相对于传统生成模型在图像质量和皮损分割性能上表现更优，SSIM 图像质量指标提高 9%，Dice 系数超过先前方法 5% 以上。

Oct, 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

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

通过扩散模型生成乳腺摄影合成图像 MAM-E

本研究提出了使用扩散模型生成高质量全场数字乳腺 X 线照片以及使用稳定扩散模型在健康乳腺照片上修复合成病变的方法，并引入了一个由文本提示控制的生成模型管道 MAM-E，能够在乳房特定区域生成合成病变，并提供了对生成图像的定量和定性评估以及易于使用的图形用户界面用于乳腺 X 线影像合成。

Nov, 2023

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

基于扩散的语义图像编辑与掩模引导

本文提出了一种基于条件扩散模型的语义图像编辑方法 DiffEdit，能够自动生成需要编辑的图像区域的遮罩，并利用潜在推理保留感兴趣区域的内容，该方法在 ImageNet 数据集上实现了最先进的编辑表现。

Oct, 2022

DiffSeg：一种基于扩散差异的皮肤病变分割模型

DiffSeg 基于扩散差异原理，利用扩散模型从具有多样的语义信息的图像中提取基于噪声的特征，识别出疾病区域，同时通过模拟医生的注释行为，可视化分割结果的一致性和模糊性，并使用广义能量距离（GED）量化输出不确定性，帮助医生解释和决策。最后，通过密集条件随机场（DenseCRF）算法整合输出，考虑像素之间的相关性，改善准确度并优化分割结果。我们在 ISIC 2018 Challenge 数据集中展示了 DiffSeg 的有效性，优于现有基于 U-Net 的方法。

Apr, 2024

EmerDiff：扩散模型中的新兴像素级语义知识

使用稳定扩散模型从特征图中提取语义信息，构建高分辨率细分割地图，以展示像素级语义知识的存在。

Jan, 2024

DiffuseExpand：使用扩散模型扩充 2D 医学图像分割数据集

使用 Diffusion Probabilistic Models 扩展医学图像分割数据集的方法，通过从高斯噪声采样各种掩膜来确保多样性，然后综合图像来确保图像和掩膜的对齐，并选择高质量样本以进一步增强 DiffuseExpand 的数据扩展效果。

Apr, 2023