Feb, 2024

U$^2$MRPD：基于大规模潜在扩散模型的无监督 MRI 欠采样重建

PDF
TL;DRLLDM 在自然图像上的预训练模型所含的隐性视觉知识可能适用于自然图像和医学图像。通过 U$^2$MRPD 框架，我们验证了这一假设，该框架通过 MRSampler 和 MRAdapter 使 LLDM 适用于复杂数值 MRI 图像的无监督欠采样重建，实现了比监督方法和 MRI 扩散方法更好的性能，并且具有最佳的泛化能力。
implicit visual knowledgelatent diffusion modelunsupervised undersampled mri reconstructionmradaptergeneralizability
发现论文，激发创造
  • 快速可控扩散模型用于少样本 MRI 重建

    该研究介绍了一种名为 PPN（Predictor-Projector-Noisor）的新算法，它增强并加速了 MRI 低采样重建的可控生成扩散模型，结果表明 PPN 比其他可控采样方法更快速地产生与低采样 k 空间测量一致的高保真 MR 图像，无监督 PPN 加速的扩散模型适应不同的 MRI 采集参数，比监督学习技术更适用于临床使用。

    Nov, 2023

  • 使用展开扩散模型的自监督 MRI 重建

    介绍了一种自监督深度 MRI 重建模型，名为 SSDiffRecon，该模型在使用不完整采样的 k 空间数据的情况下通过条件扩散过程实现了快速和高质量的图像重建。

    Jun, 2023

  • 潜在扩散先验增强的深度展开在光谱影像重建中的应用

    使用生成模型、潜在扩散模型和基于回归的深展开方法，提出了一种轻量级模型来生成导向重建过程，以改善快照压缩光谱成像重建的质量和计算效率。

    Nov, 2023

  • 基于潜隐扩散模型的稀疏数据重建的迭代重建

    通过结合迭代重建和无监督潜在扩散模型，Latent Diffusion Iterative Reconstruction (LDIR) 方法能够以高效的方式重建高分辨率图像，超过其他无监督方法并接近有监督方法的性能，同时具有更快的执行时间和更低的内存消耗。

    Jul, 2023

  • 重新思考用于多对比度 MRI 超分辨率的扩散模型

    提出了一种名为 DiffMSR 的高效扩散模型，用于多对比度磁共振成像的超分辨率重建，通过在高度紧凑的低维潜空间中应用扩散模型生成高频详细信息的先验知识，并设计了 PLWformer 作为解码器，使重建的 MR 图像保持无失真。在公共和临床数据集上的大量实验表明，DiffMSR 优于现有方法。

    Apr, 2024

  • 使用深度密度先验的 MR 图像重建

    本文提出了一种利用无监督深度学习（Variational Autoencoders）学习全采样 MR 图像概率分布的显式先验术语的方法，从而弥补了 k 空间数据缺失的影响，而不需要训练成对的数据集。

    Nov, 2017

  • NeuralDiffuser: 基于主要视觉特征引导扩散的可控 fMRI 重建

    利用 Latent Diffusion Models (LDM) 从功能性磁共振成像（fMRI）中重建视觉刺激，NeuralDiffuser 引入基于主要视觉特征的指导以提供细节线索，扩展 LDM 方法的自下而上过程，实现忠实的语义和细节，同时通过一种新颖的指导策略确保重复重构的一致性结果。在 Natural Senses Dataset (NSD) 上取得了 NeuralDiffuser 的最新性能，提供了更忠实的细节和一致的结果。

    Feb, 2024

  • 使用掩码扩散模型进行医学图像无监督异常检测

    本研究提出了一种名为 mDPPM 的方法，通过引入基于掩码的正则化来重新定义扩散模型的生成任务，以将无标签数据用于自我监督学习，从而从健康脑的样本级标签生成所需的表示，确保结果是解剖一致的。 该研究在包含肿瘤和多发性硬化症病变的数据集上评估了这种方法，并展示了我们的无监督方法相对于现有完全 / 弱监督基线的优越性能。

    May, 2023

  • InverseSR：使用潜在扩散模型进行脑部 MRI 超分辨率

    利用潜在扩散模型 (latent diffusion model) 配合深度学习方法，提高临床 MRI 扫描的分辨率，为 MRI 重建提供有力的先验信息。

    Aug, 2023

  • UDAPDR：基于 LLM 加速的无监督域自适应及 Reranker 蒸馏方法

    通过使用大型语言模型 (LLMs) 生成大量合成的查询，可以在不使用大量标记的数据的情况下，有效地优化实现信息检索任务，同时消除因为领域的转变而导致真实世界应用效力降低的问题。

    Mar, 2023