May, 2024

LoCI-DiffCom：基于纵向一致性的扩散模型用于 3D 婴儿脑图像补全

PDF
TL;DR提出了一种基于长期一致性指导的扩散模型 (LoCI-DiffCom) 用于完成缺失的婴儿脑图像数据，该模型在高度稀疏的序列中工作，仅依赖于两个时间点的数据，并表现出良好的性能，有助于更好地描绘早期发育轨迹。
infant brain developmentlongitudinal studiesdropout problemdeep generative modelsmissing data completion
发现论文，激发创造
  • Cas-DiffCom：婴儿纵向超分辨率 3D 医学图像补全的级联扩散模型

    我们的研究提出了一种两阶段级联扩散模型 (Cas-DiffCom)，用于密集和纵向 3D 婴儿脑 MRI 图像补全和超分辨率。在 Baby Connectome Project (BCP) 数据集上的实验证实，Cas-DiffCom 可以在纵向婴儿脑图像补全中实现个体一致性和高保真性，并且在神经科学领域具有潜在的任务导向潜力。

    Feb, 2024

  • 潜在一致性模型：用少量推理步骤合成高分辨率图像

    利用潜在一致性模型（LCMs）解决迭代抽样过程在高分辨率图像合成中的计算负担和生成速度慢的问题，LCMs 通过直接预测导引反向扩散过程的 ODE 解决方案在潜空间中，实现了快速、高保真度的采样。

    Oct, 2023

  • DiffComplete：基于扩散的生成式三维形状补全

    提出了一种新的基于扩散的形状完成方法，将形状完成作为一种基于条件的生成任务，并通过分层特征聚合机制和包含性感知融合策略来实现形状完成，从而在形状完成方面取得了最新的技术成果。

    Jun, 2023

  • 基于多级全局上下文交叉一致性模型和扩散模型的半监督超声图像分割

    我们提出了一种多级全局上下文一致性 (MGCC) 框架，它使用由潜在扩散模型 (LDM) 生成的图像作为半监督学习的未标记图像，针对医疗图像分割中全局上下文信息的缺失问题，解决了医疗图像注释工作负担和与其相关的隐私问题，该方法在公开和私人数据集上进行实验，证明了在分割网络中有效传递概率分布知识的能力，从而提高了分割准确性。

    May, 2023

  • 一种用于纵向神经影像研究的分层独立成分分析模型

    本文提出了一种新的长期独立成分模型 (L-ICA)，可以更准确地估计个体和总体层面上脑功能网络的变化，并通过包含随机和访问特定的协变量效应来提高重复测量成像数据处理的统计功效。通过将 L-ICA 应用于 ADNI2 研究，提出了在失智症时脑功能网络变化的生物学见解。

    Aug, 2018

  • 利用先验信息的潜在扩散加速纵向磁共振成像

    基于已有扫描结果的 MRI 先验信息重建方法以及扩散模型的训练方法，能够有效缩短扫描时间并提高利用先验信息的效果。

    Jun, 2024

  • 基于 IVIM 模型的胎肺成熟度有监督学习评估方法：数据一致性约束下的有限 DWI 数据

    本文介绍了一种使用 SUPER-IVIM-DC 深度神经网络技术来提高 DWI 数据捕获 b 值数量限制的 IVIM 分析方法，透过模拟、慢性志愿者和胎儿数据的实验，发现该方法相较于以往的 DNN 方法和经典方法具备更低的正常化均方根误差及更高的胎龄相关性，可为非侵入性胎儿肺成熟性评估提供临床可行性生物标记，并可减少 DWI 数据分析的长时间获取。

    Jun, 2022

  • 联合自监督和有监督对比学习用于多模态 MRI 数据：走向预测异常神经发育

    利用多模态成像、深度学习和对比学习方法，从多模态 MRI 数据中学习鲁棒的潜在特征表示，将异构特征投影到共享空间，整合不同模态和类似主体间的互补和类似信息，进而提高了异常神经发育的预测能力和计算机辅助诊断的功效。

    Dec, 2023

  • 实现实际 3D LiDAR 场景补全的扩展扩散模型

    使用扩散模型方法在单个 3D LiDAR 扫描中完成场景实现了比最先进的完成场景方法更多细节的场景，为扩散模型应用于场景规模点云数据的进一步研究提供了支持。

    Mar, 2024

  • SC-Diff：使用潜在扩散模型进行三维形状补全

    本文介绍了一种基于 3D 潜在扩散模型的 3D 形状补全方法，该方法通过交叉注意力和空间特征整合实现以图像为基础的条件和以 3D 特征为基础的条件，以高分辨率、真实感的方式完成形状补全。

    Mar, 2024