扩散作为声波传播:用于超声图像生成的物理启发模型
本文提出了一种通过心脏超声语义标签图引导的去噪扩散概率模型(DDPMs)生成合成图像的新型流程,展示了这些合成图像可以作为医学影像分析任务的深度学习模型训练中真实数据的可行替代品,包括图像分割,并在未见实际数据的数据集上进行了评估,与现有技术相比,Dice分数分别增加了9.09%,3.7%和15.0%,该流程具有应用于各种医学成像模态的各种其他任务的潜力。
May, 2023
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
本研究通过对超参数进行广泛搜索,对超声心动图生成中的图像扩散模型进行了深入研究,旨在为超声影像和视频生成领域建立基准,并提供指南。通过采用先进的模型架构和训练方法,研究分析了真实样本和生成样本之间的分布差异,并提出了解决方案,对于在生成数据上训练高效模型至关重要。通过研究,确定了我们研究问题的最佳FID得分为0.88,并获得了2.60的FID。本研究旨在为超声影像和视频生成领域提供有价值的见解,并作为进一步发展的参考。
Nov, 2023
利用新型采样框架和先进的扩散模型,我们提出了一种从射频数据中重建图像的方法,以加速高质量图像的生成过程。通过实验评估,我们的方法在单平面波条件下胜过了具有75个平面波空间相干合成的传统延迟和求和(DAS)技术。
Dec, 2023
物理启发的生成模型,特别是扩散和泊松流模型,在医学成像中增强了贝叶斯方法,并有很大实用价值。本综述论文检查了这类生成方法的转变作用,首先回顾了各种物理启发的生成模型,包括去噪扩散概率模型(DDPM),基于分数的扩散模型以及泊松流生成模型(PFGM和PFGM++),着重介绍了它们的准确性、稳健性和加速度。接着,介绍了物理启发的生成模型在医学成像中的主要应用,包括图像重建、图像生成和图像分析。最后,对未来的研究方向进行了头脑风暴,包括物理启发的生成模型的统一化、与视觉语言模型(VLMs)的整合以及生成模型的潜在新应用。由于生成方法的发展迅速,本综述论文有望及时展示这个新型物理驱动生成模型家族并发挥它们在医学成像领域的巨大潜力,从而帮助同行和学习者对其有一个及时的了解。
Jul, 2024
本研究解决了扩散模型在实时顺序逆问题(如超声成像)中计算昂贵的问题。提出了一种新方法,通过建模图像序列的数据转移动态,显著提高了后验采样的效率。研究结果表明,该方法在保持性能的同时,实现推断速度提升25倍,并在严重运动情况下提高了PSNR达8%。
Sep, 2024
本研究解决了合成数据集在深度学习图像分析中训练模型效率低下的问题。提出了一种新的$\Gamma$分布潜在去噪扩散模型(LDM),能够生成语义指导的合成心脏超声图像,显著提高计算效率。研究结果表明,该架构在保持或提升下游任务性能的同时,显著减少了计算成本。
Sep, 2024