Dec, 2023

探索扩散模型在数字孪生解剖编辑方面的限制与能力

PDF
TL;DR使用数字孪生技术结合潜在扩散模型（LDMs）编辑数字孪生，创建解剖学变体，从而实现对心血管设备模拟部署的解剖学差异的研究和虚拟群体的增强。
numerical simulationsdigital twinsanatomic variabilitylatent diffusion modelsvirtual cohorts
发现论文，激发创造
  • 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

  • 使用潜变量神经常微分方程进行实时全心脏电机模拟

    本文提出了一种基于 LNODEs 的心脏数字孪生代理模型，并且使用全局敏感度分析和鲁棒参数估计，实现了未知时间系列的模拟和参数校准。

    Jun, 2023

  • 混合潜在扩散

    本研究介绍了一种基于文本的图像编辑方法，利用最新的扩散模型对一些基于文本主题的地方图像进行编辑，通过结合扩散模型的速度和 Blended Diffusion，提高了编辑的效率，并通过优化方法来解决扩散模型无法完美重建图像的问题，实现了比当前方法更高的精度和速度

    Jun, 2022

  • SDF4CHD：先天性心脏病的心脏解剖生成建模

    通过计算模型和深度学习方法，我们提出了一种类型和形状解耦的生成模型，以捕捉不同先天性心脏病类型中观察到的广泛心脏解剖变化，并合成保留特定先天性心脏病类型独特拓扑结构的心脏解剖。

    Nov, 2023

  • 探究医学图像合成中 3D 潜在扩散模型中的数据记忆

    研究了生成潜在扩散模型在医疗成像数据生成方面的应用，评估了其对敏感病人培训数据的记忆能力并提出了缓解记忆的策略。

    Jul, 2023

  • 语义扩散模型生成肺结节病变图像高保真合成

    利用语义扩散模型生成高保真度肺部 CT 图像扩充数据集，并在肺结节检测和定位任务中展现了优异性能。

    May, 2023

  • Diff-Def: 条件图集的扩散生成变形场

    使用潜在扩散模型生成变形场，将一般人群的解剖图谱转化成代表特定亚人群的解剖图谱，以提高结构合理性和解决直接图像合成过程中的虚构问题。我们的方法通过对比实验，使用来自 UK Biobank 的 5000 个脑部和全身 MR 图像，生成具有平滑变形和高解剖逼真度的高度真实的图谱，优于基准方法。

    Mar, 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