Mar, 2024

LeFusion：基于病灶聚焦扩散模型合成心脏磁共振图像上的心肌病理

PDF
TL;DR数据综合通过提出的基于病变聚焦扩散模型（LeFusion）来缓解医学影像综合中的挑战，该模型能够将病变区域与背景上下文进行有效分离，从而增强对合成输出的控制能力。实验证实，这种综合数据的方法能够有效地提升当下最先进模型在 DE-MRI 心脏病变分割数据集 (Emidec) 上的性能。
data synthesislesion-focused diffusion modelsbackground contextsynthetic outputde-mri cardiac lesion segmentation dataset
发现论文，激发创造
  • 用受控潜在扩散模型修正心脏成像偏差

    基于心脏磁共振成像的深度学习解决方案在疾病诊断和预后方面的进展受到高度不平衡和有偏训练数据的阻碍。为了解决这个问题，我们提出了一种通过基于敏感属性（如性别、年龄、体重指数和健康状况）生成合成数据来缓解数据集中固有的不平衡问题的方法。我们采用基于去噪扩散概率模型的 ControlNet，以从患者元数据组合的文本和从分割掩模中导出的心脏几何形状为条件，使用大群体研究（具体是英国生物库）进行训练。通过使用已建立的定量度量评估生成图像的真实性来评估我们的方法。此外，我们进行了一个下游分类任务，旨在通过模拟生成样本来纠正少数族群中的不平衡问题，从而消除分类器的偏见。我们的实验证明了所提方法在缓解数据集不平衡方面的有效性，例如缺乏年轻患者或正常 BMI 水平的心力衰竭患者。这项工作代表了采用合成数据开发公平且具有普适性的医学分类模型的重要一步。值得注意的是，我们的所有实验都是使用一块普通消费级 GPU 进行的，以突出我们在资源受限环境下的可行性。我们的代码可在此 https URL 中获得。

    Mar, 2024

  • 基于切片隐式扩散模型的 3D MRI 合成：改善数据稀缺情况下肿瘤分割任务

    利用切片扩散架构，从医学图像生成融合体数据和对应掩膜，以解决医学图像分割中数据获取不足的问题，并考虑肿瘤特征进行生成，通过对 BRATS2022 数据集的实验证明生成数据对数据增强的有效性。

    Jun, 2024

  • DiffMix：基于扩散模型的数据合成对于不平衡病理图像数据中的细胞核分割和分类的应用

    本文提出了一种使用扩散模型的现实数据合成方法，以平衡核类别和扩大观察各种核的机会，并使用语义标签条件扩散模型来生成逼真且高质量的图像样本，证明该方法提高了罕见类型的核分类的分类性能，同时在不平衡病理核数据集中显示出卓越的分割和分类性能。

    Jun, 2023

  • 用潜在扩散在腰椎核磁共振图像中修复病理缺损

    通过沿用高阶无噪音 LVGHD（三维）均一化成训练数据的分量，实现了数据的复制与修复，有助于预测分化格里马右半球的单元。

    Jun, 2024

  • 语义扩散模型生成肺结节病变图像高保真合成

    利用语义扩散模型生成高保真度肺部 CT 图像扩充数据集，并在肺结节检测和定位任务中展现了优异性能。

    May, 2023

  • Derm-T2IM: 使用稳定的扩散模型利用合成皮肤损伤数据，通过 ViT 和 CNN 提升皮肤疾病分类

    研究探讨了通过稳定扩散模型生成的皮肤镜合成数据的利用，作为增强机器学习模型训练鲁棒性的策略。实验结果表明，通过稳定扩散模型生成的合成数据有助于提高卷积神经网络和视觉转换器模型的鲁棒性和适应性，对于两个不同的真实世界皮肤病变数据集，其效果显著。

    Jan, 2024

  • 扰动与回声：利用扩散模型生成合成超声图像用于真实图像分割

    本文提出了一种通过心脏超声语义标签图引导的去噪扩散概率模型（DDPMs）生成合成图像的新型流程，展示了这些合成图像可以作为医学影像分析任务的深度学习模型训练中真实数据的可行替代品，包括图像分割，并在未见实际数据的数据集上进行了评估，与现有技术相比，Dice 分数分别增加了 9.09％，3.7％和 15.0％，该流程具有应用于各种医学成像模态的各种其他任务的潜力。

    May, 2023

  • 使用编码器 - 解码器 U-NET 在 MRI 中合成多发性硬化症病变

    本文研究旨在提高监督式机器学习算法的性能，生成合成性多发性硬化症 (MS) 病灶于核磁共振图像。我们提出了一种双输入双输出的全卷积神经网络模型，用于 MS 病灶合成 MRI 影像。使用病灶信息编码为二进制强度层掩膜，并通过对输入影像叠加。实验结果表明，通过合成图像同时使用非掺杂使得模型在 MS 病灶检测领域有很好的表现。

    Jan, 2019

  • 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

  • 稳健的笔画分割的综合数据

    深度学习在神经影像学中的语义分割目前需要高分辨率扫描和大型标注数据集，给临床适用性带来了显著障碍。本文提出了一种新颖的合成框架，用于病灶分割任务，扩展了现有的 SynthSeg 方法的能力，以适应具有大型异质病理的病灶特定增强策略。我们的方法使用从健康和中风数据集导出的标签图来训练深度学习模型，在没有特定序列训练数据的情况下，实现了对健康组织和病理病变的分割。在领域内和领域外（OOD）数据集的评估中，我们的框架展示出稳定的性能，在培训领域内与当前方法相媲美，在 OOD 数据上明显优于它们。这一贡献有望推动临床环境中医学影像分析的进展，特别是针对中风病理学，通过在不同的成像序列上实现可靠的分割，减少对大型标注数据的依赖。代码和权重可在此网址获得: https://URL

    Apr, 2024