Apr, 2024

IgCONDA-PET: PET 影像异常检测的隐式引导对抗扩散

PDF
TL;DR使用称为 IgCONDA-PET 的模型，该模型是一种弱监督和隐性指导的反事实扩散模型，通过图像类标签（健康与不健康）和隐性指导来生成不健康图像的反事实，从而实现 PET 图像中异常的检测。
pet anomaly segmentation networksweakly supervisedcounterfactual diffusion modelanomaly detectionpet images
发现论文，激发创造
  • 医学异常检测的扩散模型

    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

  • COIN: 计数事实上填充用于弱监督医学图像语义分割

    通过解释性人工智能和反事实解释的框架，本研究开发了一种新型反事实修复方法（COIN），通过生成模型将分类标签从异常翻转到正常，实现对医学图像中病变的精确分割，不依赖于现有的分割掩模，证明其在肾脏肿瘤的语义分割方面优于现有的方法，并为稀缺标注数据的深度学习应用提供了更多可能。

    Apr, 2024

  • 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

  • 使用深度卷积网络从 CT 数据生成虚拟 PET 图像：初步结果

    本研究提出一种使用全卷积网络和条件生成对抗网络从 CT 扫描中导出 PET 数据的新系统，并在测试中通过对肝脏区域的恶性肿瘤检测表现出高检出性能，未来工作包括使用更大的数据集将当前系统扩展到整个身体，以在 CT 唯一环境中用于肿瘤检测和药物治疗评估。

    Jul, 2017

  • 辅助引导下的对比扩散模型用于粗到精 PET 重建

    通过粗略到精细的正电子发射断层扫描重建框架，结合辅助指导策略和对比扩散策略，本文提出了一种优化低剂量 PET 图像的方法，改善了 LPET 图像与重建 PET 图像之间的对应关系，提高了临床可靠性。

    Aug, 2023

  • 健康是什么？用生成对抗扩散定位损伤的方法

    本文提出一种使用生成扩散概率模型生成反事实图来推断脑病变像素级预测的方法，并且通过隐含指导和注意力调节来操作生成过程，从而提升了之前的方法。

    Jul, 2022

  • 基于深度生成模型的假健康图像重建用于异常检测的评估：以脑部 FDG PET 为例

    基于模拟现实异常图像的伪健康重建方法的评估程序，旨在提前检测特定于痴呆症如阿尔茨海默病的神经退行性标志物。

    Jan, 2024

  • 医学图像非监督异常检测中的隐式场学习

    提出了一种基于隐式场图像表示的医学图像无监督的脱离分布检测方法，应用于脑 MR 图像中的胶质瘤本地化任务，结果表明该方法显著优于其他基于 VAE 的异常检测方法（平均 DICE 0.640 vs 0.518），同时需要更少的计算时间。

    Jun, 2021

  • 指导各向异性扩散和迭代学习用于弱监督变化检测

    本文提出了一种迭代学习方法，通过从开放矢量数据生成的大规模 change detection 数据集中提取有用信息来训练全卷积网络，该方法在弱监督学习技术中具有出色的性能，并提出引导各向异性扩散算法，用于与迭代训练方法相结合以改进语义分割结果。

    Apr, 2019

  • 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