基于评分的扩散模型在光声断层成像重建中的应用
利用概率模型,我们提出了一种旋转一致性约束的基于分数的生成模型(RCC-SGM),通过采样 Langevin 动力学和约束项之间的迭代建立 PAT 图像,可支持不同的测量过程,并达到更好的 PSNR 表现(32.29 比 16 次随机采样的测量下的 PSNR,而监督方法只有 28.50)。
Jun, 2023
通过使用扩散模型,利用 “DiffPam” 算法来加速光声成像过程。研究发现 DiffPam 在重构欠采样的光声显微镜图像方面具有可比性,并且无需大量数据集或深度学习模型的训练。这项研究强调了对具有有限人工智能专业知识和计算资源的研究人员来说,DiffPam 算法的重要性。
Dec, 2023
基于评分的生成模型在医学图像重建任务中,如磁共振成像或计算机断层扫描,已经展现出极具潜力的结果。然而,它们在正电子发射断层扫描(PET)中的应用尚未被广泛探索。为了应对 PET 图像重建中的多个挑战,包括具有高方差和广泛动态范围的泊松噪声,我们提出了几种针对 PET 的评分生成模型的适应性改进。该提出的框架适用于 2D 和 3D PET,并通过使用磁共振图像进行引导重建的扩展。我们通过广泛的 2D 和 3D$ extit {in-silico}$ 实验,利用在没有病变的患者现实数据上训练的模型进行验证,并对没有病变的数据以及含病变的离群数据进行评估。这证明了所提方法的稳健性和显著的 PET 重建改进潜力。
Aug, 2023
提出了一种基于修改的 CNN 结构的全密集 UNet (FD-UNet) 来从稀疏数据中重建 2D PAT 图像并比较所提出的 CNN 与标准 UNet 在重建图像质量方面的性能。
Aug, 2018
通过扩散后验抽样的方法,我们提出了一种解决非线性 CT 图像重建的逆问题的新方法,该方法结合了训练先验评分函数的传统无条件扩散模型和根据非线性物理模型导出的测量似然评分函数,可以用于采样逆向扩散过程。此方法允许将扩散为基础的先验与广义的非线性 CT 图像重建结合到具有不同正向模型的多个 CT 系统设计中,无需任何额外的训练。
Dec, 2023
通过使用改良版的 UNet 生成器(称为 FD-UNet++),我们提出了一种名为 DensePANet 的端到端方法,以解决从稀疏数据中重建 PAT 图像的问题。在各种体内和模拟数据集上评估的数量和质量结果显示了我们模型相对于其他普遍的深度学习技术的更好性能。
Apr, 2024
本文提出了将基于分数的扩散模型转化为原则性先验(`` 基于分数的先验 ')来分析给定测量的后验图像的方法。实验结果表明,基于分数的先验使得数据驱动图像先验的归纳推理变得更加精细。
Apr, 2023
借鉴扩散模型的进展,我们提出了一种混合方法以改进超声成像质量,通过适应性去噪扩散恢复模型结合超声物理学和基于学习的方法,并在模拟、离体和体内数据上进行全面的实验,证明其较单一面波输入和现有方法相比实现了高质量的图像重建。
Oct, 2023
本研究提出了一种算法框架,用于在一般非线性逆问题中将基于分数的扩散模型作为表达性数据先验。通过引入扩散插入和播放方法 (DPnP),交替调用两个采样器,一个仅基于前向模型的似然函数的邻近一致性采样器,另一个仅基于图像先验的分数函数的降噪扩散采样器。首次建立了 DPnP 在解决线性和非线性图像重建任务中的渐近性和非渐近性性能保证,并通过数值实验证明了其潜力。
Mar, 2024
该研究提出了一种使用分数梯度模型重构图像的方法,并使用连续时间依赖分数函数进行训练。该模型可用于解决成像的反问题,尤其是加速 MRI,具有强大的性能及实用性,并且可重构复杂值数据。
Oct, 2021