Jun, 2024

CriDiff: 利用生成预训练的 Criss-cross Injection Diffusion 框架进行前列腺分割

PDF
TL;DR本文提出了一个两阶段的特征注入框架 CriDiff，其中包括 Crisscross Injection Strategy (CIS) 和 Generative Pre-train (GP) 方法，用于前列腺分割。CIS 通过高效地利用高和低级特征的互补性来最大化多级特征的使用。通过 CIS 中的两个并行条件器：边界增强条件器 (BEC) 和核心增强条件器 (CEC)，可以有效地学习多级边缘特征和非边缘特征。此外，GP 方法可减少图像特征与扩散模型之间的不一致性，而不添加额外参数。在四个基准数据集上进行了大量实验证明了所提方法的有效性，并在四个评估指标上实现了最先进的性能。
diffusion probabilistic modelmedical image segmentationcridiffcrisscross injection strategyprostate segmentation
发现论文，激发创造
  • 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

  • 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

  • DiffSeg：一种基于扩散差异的皮肤病变分割模型

    DiffSeg 基于扩散差异原理，利用扩散模型从具有多样的语义信息的图像中提取基于噪声的特征，识别出疾病区域，同时通过模拟医生的注释行为，可视化分割结果的一致性和模糊性，并使用广义能量距离（GED）量化输出不确定性，帮助医生解释和决策。最后，通过密集条件随机场（DenseCRF）算法整合输出，考虑像素之间的相关性，改善准确度并优化分割结果。我们在 ISIC 2018 Challenge 数据集中展示了 DiffSeg 的有效性，优于现有基于 U-Net 的方法。

    Apr, 2024

  • 条件扩散模型用于语义化 3D 医学影像合成

    该论文介绍了 Med-DDPM，这是一种使用扩散模型进行语义 3D 医学图像合成的创新解决方案，解决了医学成像中的普遍问题，如数据稀缺、不一致的采集方法和隐私问题。

    May, 2023

  • 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

  • 通过扩散特征弥合语义分割的领域差距

    利用预训练扩散模型的内在知识，通过采样和融合技术，提出了一种新的扩散特征融合方法（DIFF）来提取和集成有效的语义表示，该方法在领域泛化语义分割和合成到真实情景中均优于先前的方法达到了最优性能。

    Jun, 2024

  • SegDiff: 基于扩散概率模型的图像分割

    本研究提出了一种新方法，利用扩展后的扩散概率方法，通过端到端学习和使用编码器 - 解码器网络，对图像进行分割。该方法可以迭代地细化分割图，获得最终的分割结果，在多个基准数据集上获得了最先进的结果。

    Dec, 2021

  • 在扩散模型中引入形状先验模块进行医学图像分割

    我们提出了一种名为 VerseDiff-UNet 的端到端框架，利用了去噪扩散概率模型（DDPM），并通过将噪声图像与标记的掩模相结合，准确地引导扩散方向朝向目标区域，从而实现准确和多样的脊椎医学图像分割模板。此外，我们还结合了形状先验模块来捕获医学图像中特定的解剖学先验信息。通过对 X 光成像获取的一组脊椎图像数据集进行评估，我们的结果表明，VerseDiff-UNet 在准确性方面明显优于其他最先进的方法，并且保留了解剖学的自然特征和变异。

    Sep, 2023

  • DiffusionEdge: 弥散概率模型用于清晰边缘检测

    使用扩散模型的编码器 - 解码器结构进行边缘检测，通过在潜空间中应用扩散概率模型进行数据去噪，并采用特定频率的自适应傅里叶滤波器调整潜在特征，最终实现稳定训练并预测准确清晰的边缘图。

    Jan, 2024

  • 基于差分特征引导 DDPM 的变化检测图生成的变化传播

    本研究提出了基于 DDPM 的 change-aware diffusion model (CADM) 模型，使用有限的标注数据快速训练，采用动态差分条件编码来增强 bitemporal change detection 任务中的区域注意力，实验结果表明相对于现有模型表现显著更优，充分说明了该模型的泛化性和有效性。

    Jun, 2023