Nov, 2023

人脑细胞分布图像修复的去噪扩散概率模型

HTML
PDF
TL;DR使用最新的成像和高性能计算技术实现了在细胞水平对整个人脑进行成像，为研究人脑的多尺度结构（包括大脑区域和核团的划分、皮层层次、纵列和细胞群体）提供了基础。本研究提出了一种基于噪声扩散概率模型（DDPM）的模型，通过训练细胞染色切片的光镜扫描图像，能够可靠地填充缺失信息并生成高度逼真的图像信息，用于细胞统计和形态模式的分析，得到了验证。
发现论文，激发创造
  • 脑图像的反事实生成和异常检测的扩散模型

    通过弱监督方法生成病变图片的健康版本，并利用此图像生成像素级异常地图，以提升放射科医生的训练文件和分割模型的可解释性。

    Aug, 2023

  • 因式分解扩散结构用于无监督图像生成与分割

    我们发展了一种神经网络架构，以无监督的方式作为去噪扩散模型进行训练，同时学习生成和分割图像。通过去噪扩散目标来推动学习，无需任何注释或有关区域的先验知识进行训练。神经网络的计算瓶颈鼓励去噪网络将输入分成区域，在并行处理中去噪并结合结果。我们训练的模型生成了合成图像，并通过简单检测其内部预测分割来进行语义分割。在没有任何微调的情况下，我们直接将我们的无监督模型应用于通过加噪和随后去噪来分割真实图像的下游任务。实验表明，我们的模型在多个数据集上实现了准确的无监督图像分割和高质量的合成图像生成。

    Sep, 2023

  • 健康脑组织修复的去噪扩散模型

    通过使用去噪扩散概率模型，本文介绍了一种把肿瘤组织转化为健康组织的方法，通过自动分析磁共振图像中的异常组织，进而实现下游任务。我们的方法在验证集上取得了可比较的结果，平均结构相似性指数为0.7804，峰值信噪比为20.3525，均方误差为0.0113。未来将扩展这种方法，使其能够整体修复感兴趣区域而不会丢失邻近切片的上下文信息。

    Feb, 2024

  • 三维健康脑组织修复的去噪扩散模型

    通过探索和扩展去噪扩散模型，本研究实现了对健康三维脑组织的一致修复，评估了其在磁共振影像中的回填效果，并在脑组织分割任务中优于现有的病变填充方法。

    Mar, 2024

  • 利用去噪扩散概率模型和流场生成注释的生物医学视频

    生物医学领域中细胞分割和跟踪在癌症研究、药物开发和发育生物学中起到至关重要的作用，为了自动化这些过程，提出了基于深度学习的分割和跟踪方法，尤其是面对生物医学成像领域中有限的标注数据，我们提出了生物医学视频扩散模型（BVDM），它能生成逼真的细胞显微视频，并通过大规模合成数据集提高细胞分割和跟踪模型的性能。

    Mar, 2024

  • 基于差异的脑MRI病变检测扩散模型

    本文提出了一种名为差异分布医学扩散（DDMD）的模型，用于脑MRI中的病变检测，通过将异构样本中的分布差异转化为图像级注释的不一致性，保留了像素级的不确定性，并实现了隐式分割集合，最终提高了整体检测性能。通过在包含脑肿瘤检测的多模态MRI扫描的BRATS2020基准数据集上进行的详尽实验，证明了我们方法与当前方法相比的良好性能。

    May, 2024

  • 医学图像生成的快速去噪扩散概率模型

    Fast-DDPM是一种简单而有效的方法，可同时提高训练速度、采样速度和生成质量，通过仅使用10个时间步进行训练和采样，相比DDPM，Fast-DDPM能够在医学图像生成任务中优于基于卷积网络和生成对抗网络的当前最先进方法，并将训练时间缩短了5倍，采样时间缩短了100倍。

    May, 2024

  • 高分辨率显微镜图像重建的去噪扩散模型

    本研究针对显微镜图像中存在的噪声和低分辨率问题，提出了一种基于去噪扩散概率模型（DDPM）的方法，通过低分辨率信息来预测高分辨率图像。实验结果表明，该模型在四个多样化的数据集上表现优于或相当于先前的最佳方法，且在所有数据集上的高性能显示了其良好的通用性。

    Sep, 2024

  • 扩散模型提升显微镜图像分辨率：教程

    本研究针对现有显微镜图像分辨率不足的问题，提出使用去噪扩散概率模型（DDPMs）的方法。通过详细的理论基础和数学推导，结合使用PyTorch的代码实现，为读者提供了一种有效的高分辨率图像转换技术，具有重要的实用价值和潜在的科研影响。

    Sep, 2024

  • 边缘保护噪声在扩散模型中的应用

    该研究解决了传统生成扩散模型忽略数据中结构信息的问题，提出了一种新颖的边缘保护扩散模型。该模型采用边缘感知噪声调度器，实现了更快速的收敛，并在图像生成任务中达到了更高的效果，特别是在形状引导的生成任务中，比现有方法显著提升了生成质量。

    Oct, 2024