Apr, 2024

基于分割引导的膝关节 X 射线图像生成，使用条件扩散模型

PDF
TL;DR使用条件扩散模型从轮廓和骨骼分割生成膝关节 X 射线照片，并展示了条件采样和条件训练两种方法能够生成逼真的图像，并且条件训练方法表现优于条件采样方法和传统的 U-Net 模型。
deep learningmedical image processingsurgical datasynthetic imagesconditional diffusion models
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

  • 学习无偏见的图像分割：以普通膝关节 X 光片为例

    通过使用深度学习进行膝骨解剖自动分割，发现了深度学习模型中存在的性别和种族偏见，并提出了缓解这些偏见的策略，以确保公平和无偏差的分割结果，促进多样患者群体获得均等准确的诊断和治疗成果的医疗服务。

    Aug, 2023

  • 可控扩散模型用于天文无线电图生成

    为了扩充现有的数据集并解决类别失衡的问题，我们提出了名为 RADiff 的条件扩散模型生成方法，用来生成包含不同形态的射电源的合成图像，同时还展示了我们训练深度学习模型并在数据集上实现语义分割任务的有效性。

    Jul, 2023

  • 去噪扩散医学模型

    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

  • 用于图像分析的遮蔽条件扩散模型及其在婴幼儿滥用放射性诊断中的应用

    提出了一种用于数据增强的新型生成模型，可以生成真实且多样的带有 CML 的远端胫骨 X 射线图像，并生成其相关的分割标签，改善了 ResNet-34 在分类正常 X 射线图像和带有 CML 的图像方面的性能，并提高了 U-Net 在标注 CML 区域的性能。

    Nov, 2023

  • 基于条件扩散模型的腹部淋巴结分割 CT 图像综合

    我们提出了一个集成条件扩散模型和 nnU-Net 模型的流程，通过合成多样化的真实腹部淋巴结数据来改善腹部淋巴结分割的性能，并证实 LN-DDPM 在腹部淋巴结图像合成方面优于其他生成方法，并更好地辅助下游的腹部淋巴结分割任务。

    Mar, 2024

  • 一种病理多模态 MR 图像和分割的 3D 生成模型

    提出了一种基于 generative 模型和 synthetic 数据的 3D 脑 MRI 和分割模型 brainSPADE3D，可以调节病理表型和对比度，生成高保真的合成图像和相关分割，以改善在数据中存在意外病变时的分割模型性能问题。

    Nov, 2023

  • 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

  • 配对扩散：使用链接去噪扩散概率模型生成相关的合成 PET-CT 分割扫描

    人工智能在生物医学成像和放射治疗方面的快速发展受限于大型成像数据仓库的有限可用性。该研究介绍了一种能够使用成对网络和条件编码器生成多个相关 PET-CT - 肿瘤蒙版配对的新颖架构，通过创新的时间步骤控制机制和 “噪声播种” 策略改善 DDPM 采样一致性。尽管我们的模型需要修改感知损失函数以确保准确的特征对齐，但我们展示了生成清晰对齐的合成图像并通过生成图像改善了分割准确性。

    Mar, 2024

  • 面罩条件下使用潜在扩散生成胃肠息肉图像

    为了解决医学领域数据难以获取的问题，本文提出了一种有条件的扩散概率模型（DPM）框架来生成合成的肠道息肉图像以及合成数据在二进制图像分割模型训练中的应用。研究结果表明，合成数据可以有效地帮助提高模型准确性。

    Apr, 2023