Jan, 2024

BioDiffusion: 生物医学信号合成的通用扩散模型

PDF
TL;DR应对有限数据可用性、数据不平衡、标签复杂性和测量噪声干扰等问题，我们引入了 BioDiffusion，一种基于扩散的概率模型，用于合成多变量生物医学信号。通过利用这些合成信号，可以有效解决上述挑战，提高与生物医学信号相关的机器学习任务的准确性。此外，与当前领先的时间序列生成模型相比，实证证据表明 BioDiffusion 在生物医学信号生成质量方面表现优异。
machine learningbiomedical signalsbiodiffusionsynthesized signalsgenerative models
发现论文，激发创造
  • 生物信息学中的扩散模型：深度学习革命的新浪潮

    本文综述了去噪扩散模型在生物信息学中的应用及其新的发展和应用潜力。

    Feb, 2023

  • Phy-Diff: 物理导向的沙漏扩散模型用于扩散 MRI 合成

    本研究提出了一种基于物理原理的扩散模型来生成高质量的扩散磁共振成像，引入了扩散过程中的噪声演化物理原理和基于查询的条件映射，并通过采用适配器技术引入 XTRACT 图谱作为白质束的先验知识，实验结果表明我们的方法优于其他最先进的方法，并具有推进扩散磁共振成像增强的潜力。

    Jun, 2024

  • 筛选噪声：扩散概率模型及其在生物分子中的应用调查

    扩散模型在生物分子结构、序列的预测和设计方面的应用所取得的重要成果以及在生成和预测任务中的角色。

    May, 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

  • BerDiff: 医学图像分割的条件伯努利扩散模型

    提出了一种基于 Bernoulli 扩散模型的医学图像分割方法，可以生成多样化的分割掩模，可以突出感兴趣的区域作为放射科医师的有价值的参考，并且在两个医学图像分割数据集中表现出比其他最先进的方法更好的效果。

    Apr, 2023

  • 随机扩散：一种用于随机时间序列预测的扩散概率模型

    通过利用扩散概率模型和随机扩散（StochDiff）模型，本研究提出了一种新型方法，学习每个时间步长的数据先验知识，从而更好地对高度随机化的时间序列进行建模，通过实验验证了该方法在随机时间序列预测中的有效性，并展示了在实际医疗指导中的应用潜力。

    Jun, 2024

  • MedDiffusion：通过基于扩散的数据增强提升健康风险预测

    本文介绍了一种名为 MedDiffusion 的新型端到端扩散风险预测模型，通过在训练期间创建合成患者数据来增加样本空间，通过逐步关注机制揭示患者访问之间的隐藏关系，能够自动保留生成高质量数据所需的最重要信息，实验结果表明 MedDiffusion 在 PR-AUC、F1 和 Cohen's Kappa 等指标方面优于 14 种前沿基线模型。

    Oct, 2023

  • 利用扩散模型提高数字 VLSI 电路的机器学习模型准确性：关于合成数据生成的研究

    通过采用扩散模型在电路生成上进行人工数据生成的研究，用于提高在通常训练数据非常有限的情况下，机器学习模型在性能评估、设计和测试等任务中的准确性，本研究利用 HSPICE 设计环境中 22 纳米 CMOS 技术节点的仿真来获取真实代表性的训练数据，并证明了扩散模型生成的合成数据与真实数据的密切相似性，通过验证生成数据的质量，证明数据增强在数字电路的 VLSI 设计的预测分析中确实有效。

    Oct, 2023

  • DiffECG: 一种推广的基于概率的扩散模型用于合成心电图信号

    本文提出了一种基于去噪扩散概率模型的心电波形合成方法，此方法可以生成心跳、完成部分信号或进行心跳预测，且其效果较其他同类方法更佳，为心电信号合成提供了一个更为广义的条件方法。

    Jun, 2023

  • 用扩散模型合成平衡的混合类型表格数据

    介绍了一种公平的扩散模型，用于生成平衡的敏感属性数据，并通过实证证据表明该方法在训练数据中有效地减轻了类别不平衡问题，同时保持生成样本的质量，并且在性能和公平性方面优于现有方法用于综合表格数据。

    Apr, 2024