Jun, 2024

磁共振成像重建中无监督去噪扩散模型的不稳定性

PDF
TL;DR通过研究发现，即使微小的最坏情况扰动由替代模型传递而来，去噪扩散模型仍然能够生成可能误导临床医生的假组织结构，这种扰动的可转移性表明由于磁共振系统的不完善或其他噪声源，图像重构的鲁棒性可能会受到损害。此外，在更大的扰动强度下，扩散模型会产生与监督模型中观察到的不同且更具挑战性的类似高斯噪声的伪影，这强调了当前最先进的基于扩散的重构模型对可能的最坏情况扰动的脆弱性，并强调了在临床环境中改善其鲁棒性和可靠性的进一步研究的必要性。
denoising diffusion modelsmagnetic resonance imagingfake tissue structuresworst-case perturbationsrobustness
发现论文，激发创造
  • 基于条件扩散模型的引导重建用于无监督脑磁共振成像异常检测

    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。

    Dec, 2023

  • DDM$^2$: 用生成性扩散模型进行自监督扩散 MRI 去噪

    该论文提出了一种自监督的去噪磁共振成像方法，称为 DDM^2，通过将统计基础的去噪理论整合到扩散模型中，采用条件生成实现去噪。在实验中，该方法在 4 个真实的体内扩散 MRI 数据集上展现了卓越的去噪性能，用临床相关的定量和定性指标进行评估。

    Feb, 2023

  • 具信息不确定性的超声图像的扩散重建

    借鉴扩散模型的进展，我们提出了一种混合方法以改进超声成像质量，通过适应性去噪扩散恢复模型结合超声物理学和基于学习的方法，并在模拟、离体和体内数据上进行全面的实验，证明其较单一面波输入和现有方法相比实现了高质量的图像重建。

    Oct, 2023

  • 快速可控扩散模型用于少样本 MRI 重建

    该研究介绍了一种名为 PPN（Predictor-Projector-Noisor）的新算法，它增强并加速了 MRI 低采样重建的可控生成扩散模型，结果表明 PPN 比其他可控采样方法更快速地产生与低采样 k 空间测量一致的高保真 MR 图像，无监督 PPN 加速的扩散模型适应不同的 MRI 采集参数，比监督学习技术更适用于临床使用。

    Nov, 2023

  • 使用展开扩散模型的自监督 MRI 重建

    介绍了一种自监督深度 MRI 重建模型，名为 SSDiffRecon，该模型在使用不完整采样的 k 空间数据的情况下通过条件扩散过程实现了快速和高质量的图像重建。

    Jun, 2023

  • 基于扩散恢复模型的超声成像

    通过结合超声线性直接模型和基于生成的去噪扩散模型的学习先验，提出了一种混合重建方法，可以实现高质量图像重建并有效地估计多普勒变化的声回声强度。

    Mar, 2024

  • 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

  • 噪声级别自适应扩散模型用于加速 MRI 的稳健重构

    通过采用新的 NoIse Level Adaptive Data Consistency (Nila-DC) 操作，我们提出了一种后验采样策略来解决扩散模型 MRI 重建技术在存在固有噪声的情况下表现不佳的问题，实验证明我们的方法在各种噪声水平下超越了目前最先进的 MRI 重建方法，并且表现出很高的鲁棒性。

    Mar, 2024

  • 受限域的扩散模型

    本研究提出两种方法来扩展扩散模型至通过不等式约束定义的流形，包括基于对数障碍度量的失真度量以及基于反射布朗运动的失真度量，在合成和真实任务中进行了实证表明，包括蛋白质骨架和机器人臂运动的约束构象模拟。

    Apr, 2023

  • K 空间冷扩散：学习重建加速 MRI 图像不带噪声

    本文提出了一种 k 空间冷扩散模型，用于在 k 空间中进行图像退化和恢复，而无需高斯噪声，并通过与多种基于深度学习的 MRI 重建模型进行比较，在一个著名的大型开源 MRI 数据集上进行了测试。结果显示，这种新颖的退化方式能够生成加速 MRI 的高质量重建图像。

    Nov, 2023