Mar, 2024

Diff-Def: 条件图集的扩散生成变形场

PDF
TL;DR使用潜在扩散模型生成变形场，将一般人群的解剖图谱转化成代表特定亚人群的解剖图谱，以提高结构合理性和解决直接图像合成过程中的虚构问题。我们的方法通过对比实验，使用来自 UK Biobank 的 5000 个脑部和全身 MR 图像，生成具有平滑变形和高解剖逼真度的高度真实的图谱，优于基准方法。
anatomical atlasesconditional atlaseslatent diffusion modelsdeformation fieldsstate-of-the-art atlas generation methods
发现论文，激发创造
  • 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

  • 学习 4D 胎儿磁共振时间序列的动态神经场

    利用神经场快速构建生物医学图像图谱的方法；将个体特定图谱的构建视为学习可变形时空观测的神经场；将该方法应用于胎儿子宫内动态 BOLD MRI 时间序列的学习和运动稳定化；与现有方法相比，我们的方法收敛速度快 5-7 倍，为胎儿 BOLD 时间序列提供高质量的图谱，虽然在解剖重叠方面略低于优化的基准模型，但在模板估计方面显著提高了速度，从而使得大型数据库的 4D 动态 MRI 采集能够快速处理和稳定。

    Nov, 2023

  • 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

  • 具有潜在三维扩散的局部感知形状生成

    本文提出了一种新颖的潜在的 3D 扩散模型来生成神经体素场，旨在实现准确的部件感知结构。通过对现有方法的比较，我们采用了两个关键设计来确保高质量和准确的部件感知生成。一方面，我们引入了潜在的 3D 扩散过程来生成神经体素场，使其能够以显著更高的分辨率生成富有纹理和几何细节。另一方面，我们引入了部件感知的形状解码器，将部件代码整合到神经体素场中，引导准确的部件分解并产生高质量的渲染结果。通过广泛实验和与现有最先进方法的比较，我们对我们的方法在四种不同类别的数据上进行了评估。结果表明，我们提出的方法在部件感知形状生成方面具有优秀的生成能力，优于现有最先进方法。

    May, 2024

  • Aladdin: 基于成对对齐的联合 Atlas 建模和差异正态对齐学习

    通过卷积神经网络同时预测畸变图和恒定速度场参数化，利用成对图像对齐损失以提高医学图像配准精度，实现了 3D 膝关节磁共振成像的快速、端到端训练和测试，且表现优于其他同类算法。

    Feb, 2022

  • 基于相类模型的参数化和数据同化的潜隐式扩散模型

    地质参数化中使用低维潜变量进行降维，结合扩散模型和隐含扩散模型，通过去噪实现从含有噪声的输入场生成新的地质实现，该模型经过稳定性测试，并用于基于集合的数据同化，实现了显著的不确定性降低和一致的地质模型。

    Jun, 2024

  • Phy-Diff: 物理导向的沙漏扩散模型用于扩散 MRI 合成

    本研究提出了一种基于物理原理的扩散模型来生成高质量的扩散磁共振成像，引入了扩散过程中的噪声演化物理原理和基于查询的条件映射，并通过采用适配器技术引入 XTRACT 图谱作为白质束的先验知识，实验结果表明我们的方法优于其他最先进的方法，并具有推进扩散磁共振成像增强的潜力。

    Jun, 2024

  • Atlas 动力下的深度学习（ADL）-- 应用于扩散加权磁共振成像

    本研究提出了一种利用非线性扩散张量配准和深度学习模型以及生物标志物密度图等多维数据来估计磁共振扩散成像技术（dMRI）生物标记的框架；其中，将深度学习和生物标志的统计映射相结合，被证明取得了比传统方法更高的精度。

    May, 2022

  • 学习可微同构配准的概率模型

    提出了一种基于概率的低维形变模型，可用于图像配准和形变分析，具有对比形变、生成正常或病态形变的能力，以及在多种图像对之间传输形变的能力。在三维心脏 Cine-MRIs 上的实验结果显示出本方法目前显示了最先进的性能。

    Dec, 2018

  • ContourDiff：带轮廓引导扩散模型的非配对图像转换

    提出了一个新的框架 ContourDiff，通过利用图像的域无关解剖轮廓表示，实现对医学图像的跨模态（如 CT 到 MRI）准确翻译，并确保保留解剖内容，进而在图像转换和分割模型中取得了显著优于其他方法的性能。

    Mar, 2024