本研究使用手腕和手腕 X 光图像进行骨质疏松症预测,为增加筛查率而不增加成本或时间提供了一种新的方法。通过图像分割和自监督学习,本方法实现了对骨质疏松症的有效分类,为从外周骨骼部位利用视觉技术进行骨质疏松症识别的先导性工作。
Nov, 2023
THOR 利用时间异常图通过集成隐式指导来改进去噪过程,以保留未受病理影响的健康组织的完整性。通过在脑部 MRI 和手腕 X 射线中检测和分割异常来比较评估,THOR 超过了现有的基于扩散的方法。
Mar, 2024
该论文提出了一种新的骨抑制框架,称为 BS-Diff,该框架采用条件扩散模型和 U-Net 架构,利用自编码器进行增强,能够生成高骨抑制率的软组织图像,并能够捕捉细微的图像细节,经过广泛的实验、比较分析、消融研究和临床评估,该模型在多个指标上优于其他骨抑制模型。
通过扩散模型来提高伪标签的质量,以实现半监督三维物体检测,改进了现有方法的性能,获得了最先进的结果。
Dec, 2023
我们采用半监督扩散模型,在低质量的 T1w MR 图像上获得了年龄的预测结果与实际年龄之间 0.83(p<0.01)的相关性,这竞争力超过了最先进的非生成方法。此外,我们模型的预测结果与肌萎缩侧索硬化的生存期长度有显著相关性 (r=0.24, p<0.05),从而显示了扩散模型在脑龄预测任务中的价值。
Feb, 2024
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
本文提出了一种有效的骨密度估计方法,通过对限定数据集进行骨分割 QCT 的分解投影学习,实现了高准确性的骨密度估计,适用于机会性筛查和早期诊断。
Jul, 2023
本研究侧重于使用扩散模型进行半监督图像分割,特别是针对领域泛化问题,结论表明较小的扩散步骤生成的潜在表示比较大的步骤更具鲁棒性,通过利用信息密集的小步骤和较大步骤的正则化效果生成预测,该模型在领域变化设置中表现出明显较好的性能且在领域内保持有竞争力的性能,突显了 DDPM 在半监督医学图像分割中的潜力并提供了优化其在领域变化下性能的见解。
利用深度学习的现代生物医学图像分析经常面临有限的注释数据的挑战,为了克服这个问题,可以使用深度生成模型来合成逼真的生物医学图像。通过提供粗略的层次草图,训练的去噪扩散概率模型(DDPM)可以生成逼真的近视视网膜光学相干断层扫描图像。此外,通过知识适应可以获得更准确的伪标签,对分割任务非常有益。通过这一方法,我们观察到层次分割准确性的持续改善,并通过各种神经网络验证。此外,我们还发现,仅使用合成图像训练的层次分割模型可以达到与仅使用真实图像训练的模型相当的结果。这些发现展示了 DDPM 在减少人工注释视网膜光学相干断层扫描图像的需求方面的潜在潜力。
本研究提出了一种使用预训练扩散模型进行 CT 图像的多器官分割任务的标签高效学习方法,该方法仅需要少量标记数据,在有限标记数据场景下取得了竞争性的分割性能。