Nov, 2023

FDDM：使用频率解耦扩散模型的无监督医学图像翻译

HTML
PDF
TL;DR本研究介绍了一种频率解耦的扩散模型（FDDM），通过在转换过程中将医学图像的频率分量在傅里叶域中分离，实现保留结构并高质量转换图像。通过公开的脑部MR-to-CT转换数据集进行了广泛评估，结果表明FDDM在产生高度逼真的目标领域图像的同时保持了翻译的解剖结构的准确性。
发现论文，激发创造
  • 通过频率引导扩散模型实现零样本医学图像翻译

    使用频域滤波器来指导扩散模型，以实现结构保留图像翻译的频率引导扩散模型（FGDM），同时在医学图像翻译中具有零样本学习的能力。 该模型在结构保留医学图像翻译任务中具有良好的性能。

    Apr, 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

  • EMIT-Diff：通过文本引导的扩散模型增强医学图像分割

    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。

    Oct, 2023

  • 自适应潜在扩散模型用于三维医学图像到图像翻译：多模态磁共振成像研究

    提出了基于潜在扩散模型的多模态图像转换模型，通过使用切换块进行图像到图像转换，解决了临床实践中获取多种模态图像的难题，实现了高质量的目标模态生成。

    Nov, 2023

  • 基于GAN的医学图像增强的频域分解转换

    提出了一种新颖的频域分解转译方法（FDDT），用于医学图像转译，通过高频和低频分量的对齐来平衡图像的身份和风格信息，并在MRI图像和自然图像上进行了广泛的实验评估。

    Nov, 2023

  • ContourDiff：带轮廓引导扩散模型的非配对图像转换

    提出了一个新的框架ContourDiff，通过利用图像的域无关解剖轮廓表示，实现对医学图像的跨模态（如CT到MRI）准确翻译，并确保保留解剖内容，进而在图像转换和分割模型中取得了显著优于其他方法的性能。

    Mar, 2024

  • 医学图像翻译的自一致递归扩散桥

    医学图像翻译中，自洽递归扩散桥(SelfRDB)通过使用以目标图像为基础、源图像为参照的前向过程，以及噪声调度和采样过程等创新方法，提供了优越的性能。

    May, 2024

  • 用于医学图像到图像翻译的交叉条件扩散模型

    本研究针对多模态MRI数据集的获取难题，提出了一种交叉条件扩散模型（CDM），以提高医学图像翻译的合成质量和生成效率。通过设计模态特定表示模型和模态解耦扩散网络，CDM能够有效指导合成过程，实验结果显示该方法在BraTS2023和UPenn-GBM数据集上表现优越。

    Sep, 2024

  • 多通道条件去噪扩散模型用于脑部MRI的无监督异常检测

    本文针对现有深度学习方法在脑部MRI扫描中由于解剖多样性和像素级注释要求高而导致的异常检测困难，提出了一种改进的多通道条件去噪扩散概率模型（MCDDPM）。该模型在训练过程中利用健康图像的附加信息，显著提高了生成图像的保真度，且计算和内存需求与传统的DDPM系列模型相当。实验结果表明，MCDDPM在多个数据集上的表现优越，具备良好的应用潜力。

    Sep, 2024

  • MedDiff-FM: 一种用于多功能医学图像应用的扩散基础模型

    本研究针对现有医学图像研究中存在的任务局限性，提出了MedDiff-FM，一个基于扩散的基础模型，能够处理多种医学图像任务。该模型通过使用来自多个公共数据集的3D CT图像进行预训练，展示了在图像去噪、异常检测和图像合成等任务中的有效性，从而推动了医学图像分析的多样性与灵活性。

    Oct, 2024