Feb, 2024

扩散模型生成假设的统计检验

PDF
TL;DR通过使用生成 AI 创造科学假设，我们提出了一种统计测试方法来验证医学图像诊断结果的可靠性，通过控制错误率，以 p 值的形式量化医学图像诊断结果的统计可靠性。
ai integrationgenerative aiscientific hypothesesmedical diagnosticstatistical test
发现论文，激发创造
  • 利用潜在扩散模型的合成数据增强医疗图像分类器

    利用潜在扩散模型生成皮肤病图像的研究表明，通过合成数据训练模型可以在数据有限的情况下提高性能，但合成数据与真实数据相比仍然有较小的性能增益，因此收集多样的真实数据仍是提升医疗人工智能算法的重要步骤。

    Aug, 2023

  • 使用扩散模型进行模糊医学图像分割

    该研究提出了一种利用扩散模型和随机采样方法生成多个可行的医学图像分割结果的方法，这种方法应用于 CT、超声波和 MRI 图像时，不仅能够提高分割准确度而且能够捕捉自然变异，同时还提出了一种度量分割结果多样性的新指标。

    Apr, 2023

  • 面向应用数学家的生成人工智能扩散模型简介

    生成人工智能是指生成合成但逼真的输出的算法。扩散模型在图像生成人工智能中目前达到最高水平，并在包括文本到图像生成器和大型语言模型在内的更通用工具中起着关键作用。

    Dec, 2023

  • 视觉中的生成人工智能：模型、度量和应用的综述

    这篇综述论文提供了关于生成式 AI 扩散和传统模型的全面概述，主要介绍了它们的基本技术、在不同领域的应用以及所面临的挑战，旨在为研究人员和从业者提供全面了解，并激发未来在这个令人兴奋的人工智能领域的创新。

    Feb, 2024

  • 基于影像标注的潜在扩散模型用于增强组织病理学 AI 辅助癌症诊断

    人工智能基于图像分析在诊断组织病理学方面，尤其是癌症诊断方面具有巨大潜力。为了开发监督式人工智能方法，需要大规模的注释数据集。本研究提出了一种从自动提取的图像特征中构建结构化文本提示的方法。通过在提示中引入图像特征而不仅仅是正常和癌症标签，我们改善了 Fréchet Inception Distance (FID) 的性能，从 178.8 提升到 90.2。我们还表明，病理学家难以检测到合成图像，敏感性 / 特异性的中位数为 0.55/0.55。最后，我们展示了合成数据有效地训练人工智能模型。

    Dec, 2023

  • 医学异常检测的扩散模型

    我们提出了一种基于去噪扩散内隐模型的弱监督异常检测方法，结合分类器指导进行病态和健康主体之间的图像翻译，生成非常详细的异常地图，无需复杂的训练过程。

    Mar, 2022

  • 用统计检验算法替换人类决策者

    本研究构建了一种基于统计学的人工智能框架，能够通过对人工预测结果的基准测试，将部分医生的诊断建议替换成人工智能算法的推荐，实验证明在异常分娩检测上具有比医生更准确的真实阳性率和更低的假阳性率，特别是在较不发达地区，更容易替代乡村医生的诊断。

    Jun, 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

  • 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

  • 利用符合性预测在分布偏移下估计 AI 医疗设备的测试性能

    研究了基于对比预测的黑盒测试评估技术，用于评估医学图像领域的人工智能医疗设备的测试性能，希望能推广实用和有效评估技术，从而促进临床 AI 工具的健康和可靠发展。

    Jul, 2022