医学图像扩散分割分析
本文研究了扰动扩散概率模型在语义分割任务中的应用,特别是在标注数据有限的情况下。通过探究预训练扩散模型的中间层,我们发现它们可以有效地捕捉输入图像的语义信息,并成为像素级别的分割表示。基于这些观察,我们提出了一种简单的分割方法,能在仅有少量训练图像的情况下显著提高性能。
Dec, 2021
本研究提出了一种新方法,利用扩展后的扩散概率方法,通过端到端学习和使用编码器 - 解码器网络,对图像进行分割。该方法可以迭代地细化分割图,获得最终的分割结果,在多个基准数据集上获得了最先进的结果。
Dec, 2021
提出了一种基于 Bernoulli 扩散模型的医学图像分割方法,可以生成多样化的分割掩模,可以突出感兴趣的区域作为放射科医师的有价值的参考,并且在两个医学图像分割数据集中表现出比其他最先进的方法更好的效果。
Apr, 2023
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
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
DiffSeg 基于扩散差异原理,利用扩散模型从具有多样的语义信息的图像中提取基于噪声的特征,识别出疾病区域,同时通过模拟医生的注释行为,可视化分割结果的一致性和模糊性,并使用广义能量距离(GED)量化输出不确定性,帮助医生解释和决策。最后,通过密集条件随机场(DenseCRF)算法整合输出,考虑像素之间的相关性,改善准确度并优化分割结果。我们在 ISIC 2018 Challenge 数据集中展示了 DiffSeg 的有效性,优于现有基于 U-Net 的方法。
Apr, 2024
我们发展了一种神经网络架构,以无监督的方式作为去噪扩散模型进行训练,同时学习生成和分割图像。通过去噪扩散目标来推动学习,无需任何注释或有关区域的先验知识进行训练。神经网络的计算瓶颈鼓励去噪网络将输入分成区域,在并行处理中去噪并结合结果。我们训练的模型生成了合成图像,并通过简单检测其内部预测分割来进行语义分割。在没有任何微调的情况下,我们直接将我们的无监督模型应用于通过加噪和随后去噪来分割真实图像的下游任务。实验表明,我们的模型在多个数据集上实现了准确的无监督图像分割和高质量的合成图像生成。
Sep, 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。
Nov, 2023
该研究介绍了一种生成模型 DDMM,可以在大量医学影像分割应用中实现无监督生成逼真的 X 光图像和相关分割结果,并提供数据增强来优化分割性能,优于其他采用数据中心化方法的技术。
Apr, 2023
本文中,我们提出了使用最近发展的去噪扩散生成模型建模的掩模先验来提高现有判别方法的语义分割质量。我们发现简单的集成扩散模型到语义分割中是不够的,并且一次差的扩散过程设计可能导致分割性能下降。我们通过多个实验表明,我们的方法在 ADE20K 和 Cityscapes 数据集上达到了较高的定量和定性性能。
Jun, 2023