Apr, 2024

用于头颈部质子治疗计划的高质量 MR 到 CT 综合的扩散薛定谔桥模型

PDF
TL;DR最近在质子治疗的进展中，基于磁共振的治疗计划正逐渐得到认可，以降低与传统基于 CT 的方法相比的额外辐射暴露。这种转变凸显了精确的磁共振与 CT 图像合成的关键性需求，对于精确的质子剂量计算至关重要。本研究引入了扩散薛定谔桥模型（DSBM），这是一种创新的高质量磁共振与 CT 图像合成方法。DSBM 学习了 MR 和 CT 数据分布之间的非线性扩散过程。该方法通过从先验分布而非高斯分布开始合成，提高了传统扩散模型的生成质量和效率。我们通过头颈癌数据集验证了 DSBM 的有效性，并通过图像级和剂量级评估证明了其优于传统图像合成方法。DSBM 在基于磁共振的质子治疗计划中的有效性突出了其在各种临床场景中作为有价值工具的潜力。
mr-based treatment planningdiffusion schrödinger bridge modelsimage synthesisproton therapyclinical scenarios
发现论文，激发创造
  • 基于 3D 变压器去噪扩散模型的合成磁共振成像计算机断层成像

    使用具有转换器的漫反射概率模型（MC-DDPM）将磁共振成像（MRI）转换为高质量的合成计算机断层扫描（sCT），以便于放射治疗计划，并通过消除 CT 模拟和具有误差的图像配准，从而减少患者的辐射剂量和设置不确定性。

    May, 2023

  • 简化扩散薛定谔桥

    本研究介绍了一种新颖的理论简化方法，将扩散薛定谔桥与基于评分的生成模型统一起来，解决了扩散薛定谔桥在复杂数据生成方面的局限性，实现了更快的收敛和更强的性能。通过将基于评分的生成模型作为扩散薛定谔桥的初始解决方案，我们的方法充分发挥了两个框架的优势，确保了更高效的训练过程并提高了基于评分的生成模型的性能。同时，我们还提出了一种重新参数化技术，尽管在理论上存在逼近，但在实践中可以提高网络的适应能力。我们进行了广泛的实验评估，证实了简化扩散薛定谔桥的有效性，并展示了其显著的改进。我们相信本研究的贡献为先进的生成建模铺平了道路。代码可在此 https URL 获取。

    Mar, 2024

  • 不平衡扩散薛定谔桥

    该研究提出一种新的神经参数化方法：非平衡扩散 Schrödinger Bridge（DSBs）。该方法可以模拟当端点是概率分布，且质量未被守恒时，人口的时间演化，并可应用于分析癌症药物的单细胞响应和病毒变异的传播过程。

    Jun, 2023

  • 隐式图像到图像的 Schrödinger 桥在 CT 超分辨率和去噪中的应用

    通过引入腐蚀图像的非马尔科夫过程，将生成过程转化为隐式图像到图像的 Schr"odinger Bridge 过程，提出了一个改进的 I3SB 方法，该方法能够使用少量的生成步骤生成具有更好纹理恢复的图像，并在 CT 超分辨率和去噪任务中验证了其性能优于现有方法，包括条件去噪扩散概率模型 (cDDPM) 和 I2SB，从视觉质量和定量指标上凸显了 I3SB 在改进医学图像恢复方面的潜力。

    Mar, 2024

  • 重新思考用于多对比度 MRI 超分辨率的扩散模型

    提出了一种名为 DiffMSR 的高效扩散模型，用于多对比度磁共振成像的超分辨率重建，通过在高度紧凑的低维潜空间中应用扩散模型生成高频详细信息的先验知识，并设计了 PLWformer 作为解码器，使重建的 MR 图像保持无失真。在公共和临床数据集上的大量实验表明，DiffMSR 优于现有方法。

    Apr, 2024

  • 降噪扩散桥模型

    通过扩展扩散模型，使用扩散桥模型作为一种自然替代方法，该模型通过从数据中学习扩散桥分数并解决基于这些分数的（随机）微分方程，将一种分布映射到另一种分布，从而实现图像编辑等应用中纳入非随机噪声信息的目标。

    Sep, 2023

  • 应用于基于得分的生成建模的扩散薛定谔桥

    通过将高斯噪声逐渐应用于复杂的数据分布，构建了一个确定性的生成模型，对应于具有时间不均匀漂移的倒退随机微分方程，用基于分数匹配的方法估计漂移。本文提出了 Diffusion SB 方法来处理 Schrödinger Bridge 问题，近似了迭代比例拟合过程，DSB 具有广泛的适用性，是流形上 Sinkhorn 算法的连续状态空间概率化推广。

    Jun, 2021

  • 使用扩散薛定谔桥的条件模拟

    本文介绍了基于去噪扩散模型的生成模型，提出了基于 Schrödinger bridge 的生成建模方法来缩短生成时间，并将其扩展到条件模拟中，用于各种应用，包括图像超分辨率、状态空间模型的最优滤波和预训练网络的优化。

    Feb, 2022

  • 基于周期引导的去噪扩散概率模型用于 3D 交叉模态 MRI 合成

    该研究旨在发展一种新型的循环引导去噪扩散概率模型（Cycle-guided Denoising Diffusion Probability Model，CG-DDPM），用于跨模态 MRI 合成，并使用 BraTS2020 数据集定量评估。该方法在 MRI 合成中具有很高的准确性，并与几种现有最先进的网络进行了比较，证明了合成 MRIs 的图像质量的显著改进。该方法增强了当前多模态 MRI 合成方法的能力，为患者的更精确诊断和更好的治疗规划做出贡献。

    Apr, 2023

  • 用于受限生成建模的反映式薛定谔桥

    引入反射谢尔宾格算法：一种在多样有界域中生成数据的熵正则化的最优传递方法，通过反演的前后向随机微分方程与诺依曼和罗宾边界条件相结合，扩展基于散度的封闭域似然训练，并探索与熵正则化最优传送的自然联系，用于近似线性收敛的研究 —— 这对实际训练是非常有价值的见解。该算法在多样有界域中产生强大的生成模型，并通过标准图像基准测试展示其可扩展性。

    Jan, 2024