Mar, 2024

医学异常检测的具有隐式指导的扩散模型

PDF
TL;DRTHOR 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。
diffusion modelsunsupervised anomaly detectiontemporal harmonizationpathology removalthor
发现论文，激发创造
  • 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

  • 脑图像的反事实生成和异常检测的扩散模型

    通过弱监督方法生成病变图片的健康版本，并利用此图像生成像素级异常地图，以提升放射科医生的训练文件和分割模型的可解释性。

    Aug, 2023

  • 基于条件扩散模型的引导重建用于无监督脑磁共振成像异常检测

    通过在扩散模型上引入条件机制，对无监督异常检测中的脑部 MRI 图像重构进行优化，以提高重构质量、域适应性特征和分割性能，并且可在不同 MRI 采集和模拟对比度之间进行领域适应，从而提高脑部 MRI 无监督异常检测的性能和泛化能力。

    Dec, 2023

  • 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

  • D3AD：动态去噪扩散概率模型用于异常检测

    扩展前述的隐式条件方法，我们提出了一种新的框架，通过动态步长计算、无噪声缩放输入和潜在空间投影的方式增强了扩散模型的能力，有效地定位异常并在两个著名异常检测数据集上取得了最先进的性能。

    Jan, 2024

  • 三维健康脑组织修复的去噪扩散模型

    通过探索和扩展去噪扩散模型，本研究实现了对健康三维脑组织的一致修复，评估了其在磁共振影像中的回填效果，并在脑组织分割任务中优于现有的病变填充方法。

    Mar, 2024

  • 透明度为基础的扩散模型用于异常检测

    提出了一种新的透明度扩散过程，通过逐渐增加异常区域的透明度，恢复其正常外观并保持不含异常的区域的细节，从而实现精确的异常检测。TransFusion 在 VisA 和 MVTec AD 数据集上获得了 98.5% 和 99.2% 的图像级 AUROC，达到了最先进的性能。

    Nov, 2023

  • 基于差异的脑 MRI 病变检测扩散模型

    本文提出了一种名为差异分布医学扩散（DDMD）的模型，用于脑 MRI 中的病变检测，通过将异构样本中的分布差异转化为图像级注释的不一致性，保留了像素级的不确定性，并实现了隐式分割集合，最终提高了整体检测性能。通过在包含脑肿瘤检测的多模态 MRI 扫描的 BRATS2020 基准数据集上进行的详尽实验，证明了我们方法与当前方法相比的良好性能。

    May, 2024

  • 自动扩散模型在异常检测中的增强鲁棒性和泛化能力：掩码、缝合和重采样技术

    AutoDDPM 是一种提高扩散模型鲁棒性的新方法，通过联合噪声分布重采样，将扩散模型生成的潜在异常性的初始似然率图像与原始图像无缝集成，实现了谐波和修补效果，该研究展示了 AutoDDPM 在替换异常区域保留健康组织方面的有效性，同时在医学影像学领域促进了鲁棒和可解释的异常检测。

    May, 2023

  • 应用改进的正弦阈值半监督方法和扩散模型进行骨质疏松症诊断

    基于扩散模型和类阈值正弦衰减的半监督模型可以自动诊断骨质疏松症，具有方便、准确和低成本的优势。

    Mar, 2024