本研究提出了一种名为 mDPPM 的方法,通过引入基于掩码的正则化来重新定义扩散模型的生成任务,以将无标签数据用于自我监督学习,从而从健康脑的样本级标签生成所需的表示,确保结果是解剖一致的。 该研究在包含肿瘤和多发性硬化症病变的数据集上评估了这种方法,并展示了我们的无监督方法相对于现有完全 / 弱监督基线的优越性能。
May, 2023
我们提出了一种基于去噪扩散内隐模型的弱监督异常检测方法,结合分类器指导进行病态和健康主体之间的图像翻译,生成非常详细的异常地图,无需复杂的训练过程。
Mar, 2022
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
本文提出了一种名为差异分布医学扩散(DDMD)的模型,用于脑 MRI 中的病变检测,通过将异构样本中的分布差异转化为图像级注释的不一致性,保留了像素级的不确定性,并实现了隐式分割集合,最终提高了整体检测性能。通过在包含脑肿瘤检测的多模态 MRI 扫描的 BRATS2020 基准数据集上进行的详尽实验,证明了我们方法与当前方法相比的良好性能。
May, 2024
该研究探讨了扩散模型在无监督和半监督异常检测中的应用,并在相应的基准测试中表现出了出色的性能,特别是在 DTPM 中,使用深度神经网络提高推断效率,获得了比 DDPM 更快的推理时间和更好的性能。
扩展前述的隐式条件方法,我们提出了一种新的框架,通过动态步长计算、无噪声缩放输入和潜在空间投影的方式增强了扩散模型的能力,有效地定位异常并在两个著名异常检测数据集上取得了最先进的性能。
Jan, 2024
本文提出了基于敌对去噪扩散模型(ADDM)的研究。ADDM 基于去噪扩散概率模型(DDPM),并通过敌对学习进行互补训练。实验结果表明,ADDM 在无监督 MRI 图像异常检测上表现优于现有的基于生成模型的无监督异常检测方法。
Dec, 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
通过在扩散模型上引入条件机制,对无监督异常检测中的脑部 MRI 图像重构进行优化,以提高重构质量、域适应性特征和分割性能,并且可在不同 MRI 采集和模拟对比度之间进行领域适应,从而提高脑部 MRI 无监督异常检测的性能和泛化能力。
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