Nov, 2023

BS-Diff: 利用条件扩散模型有效抑制胸部 X 射线图像中的骨骼

PDF
TL;DR该论文提出了一种新的骨抑制框架，称为 BS-Diff，该框架采用条件扩散模型和 U-Net 架构，利用自编码器进行增强，能够生成高骨抑制率的软组织图像，并能够捕捉细微的图像细节，经过广泛的实验、比较分析、消融研究和临床评估，该模型在多个指标上优于其他骨抑制模型。
chest x-raysbone suppressiondeep learningimage generationclinical evaluations
发现论文，激发创造
  • 胸部 X 射线摄影图像的多任务器官分割和骨抑制图像翻译

    本研究首次引入条件生成对抗网络 (CGAN) 的多任务深度学习模型，该模型可同时生成经过骨抑制处理和经过器官分割处理后的图像，通过优化处理时间和操作参数，改善了数据可靠性。

    Jun, 2019

  • 合成增强：揭示合成数据在医学影像研究中的潜力

    使用扩散模型的合成数据补充对胸部 X 射线影像（CXR）分析中深度学习（DL）分类器性能的影响进行了研究，评估了内部和外部数据集上分类器的性能，结果表明合成数据补充可以增强模型准确性，尤其是在检测罕见病变方面。然而，尽管结果有希望，真实数据的优越性仍然存在。

    Nov, 2023

  • 使用肺分割和骨影排除技术的深度学习在肺癌胸部 X 射线分析中的应用

    该研究使用深度学习的方法对肺癌患者的胸部 X 光图像进行分析，通过运用肺部分割技术与去除骨影技术来提高病变和结节的识别准确性。预处理后的数据集（无骨影的数据集＃02）相比于其他处理后的数据集（数据集＃02 和＃03）具有更好的准确度和损失结果。

    Dec, 2017

  • 基于 GAN 的胸部 X 光肋骨抑制去混合学习

    本文提出一种基于生成对抗网络的解缠学习框架，称为 Rib Suppression GAN （RSGAN），利用未配对计算机断层扫描（CT）图像中嵌入的解剖知识执行肋骨抑制，实现超过现有技术的图像质量，同时与胸部 X 射线（CXR）相结合，可提高肺病分类和结核区域检测的性能。

    Oct, 2021

  • 高分辨率胸部 X 光合成的级联潜在扩散模型

    本文研究了基础模型在医疗领域的应用，提出了 Cheff 模型生成高质量胸部 X 光片，并提出了 MaCheX 接口，用于公共胸部数据集，从文本提示文档指导合成过程，揭示了医学图像处理中报告到 X 光片生成的研究领域。

    Mar, 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

  • 医学图像标准化和增强的潜在扩散模型

    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。

    Oct, 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

  • 基于生成预训练的人工智能放射学图像解读中的患者特定干扰因素重建

    在医疗图像分类中，基于扩散模型的预训练方法（如 DiffChest）能够准确识别混杂因素、提供洞察力，并在诊断多种胸部疾病方面取得了相当不错的准确性。

    Sep, 2023

  • 基于无监督迭代 U-Net 和内部引导层的胸部 X 射线图像脊柱对比度增强

    本文介绍了一种通过迭代训练深度神经网络，采用内部指导层优化脊柱 X 光图像的方法，在准确识别物体边界的同时提高图像质量，从而显著提高 X 光成像技术的诊断准确性和疾病早期检测能力。

    Jun, 2023