Jul, 2024

医学影像中的物理启发生成模型综述

HTML
PDF
TL;DR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。
发现论文，激发创造
  • 利用神经扩散模型生成合成医学图像识别假肺部

    本文探讨使用神经扩散模型合成医学图像的可能性，结果表明扩散模型生成的图像可以翻译一些胸部X射线或CT图像中特定医学情况的特征，这是一项新的人工智能医学图像研究，展示了扩散模型在医学图像合成领域的潜力。

    Nov, 2022

  • 医学影像生成人工智能：扩展MONAI框架

    最近在生成AI方面取得的突破已经在多个领域，包括医学成像方面，取得了令人难以置信的进展。我们提出了MONAI生成模型，这是一个开放源代码的平台，可以帮助研究人员和开发人员轻松训练、评估和部署生成模型及相关应用。

    Jul, 2023

  • 基于评分的PET图像重建的生成模型

    基于评分的生成模型在医学图像重建任务中，如磁共振成像或计算机断层扫描，已经展现出极具潜力的结果。然而，它们在正电子发射断层扫描（PET）中的应用尚未被广泛探索。为了应对PET图像重建中的多个挑战，包括具有高方差和广泛动态范围的泊松噪声，我们提出了几种针对PET的评分生成模型的适应性改进。该提出的框架适用于2D和3D PET，并通过使用磁共振图像进行引导重建的扩展。我们通过广泛的2D和3D$ extit{in-silico}$实验，利用在没有病变的患者现实数据上训练的模型进行验证，并对没有病变的数据以及含病变的离群数据进行评估。这证明了所提方法的稳健性和显著的PET重建改进潜力。

    Aug, 2023

  • MRI中扩散概率模型新兴应用调查

    磁共振成像（MRI）应用领域中扩散概率模型（DPMs）的综述，包括DPM理论介绍、MRI中的重建、异常检测等方面，以及DPM的限制和未来研究方向。

    Nov, 2023

  • PPFM: 单步后验采样泊松流生成模型在光子计数CT图像去噪中的应用

    Poisson flow generative models (PPFM) for low-dose CT image denoising outperforms diffusion models with a significantly reduced number of function evaluations (NFE=1).

    Dec, 2023

  • 医学图像生成的快速去噪扩散概率模型

    Fast-DDPM是一种简单而有效的方法，可同时提高训练速度、采样速度和生成质量，通过仅使用10个时间步进行训练和采样，相比DDPM，Fast-DDPM能够在医学图像生成任务中优于基于卷积网络和生成对抗网络的当前最先进方法，并将训练时间缩短了5倍，采样时间缩短了100倍。

    May, 2024

  • 相似度感知综合潜在扩散模型用于医学图像转换与表示学习

    我们提出了一种基于潜在扩散模型的综合生成模型（S$^2$LDM），该模型可以在推断过程中实现高保真度重建，优化了不同模态图像之间的相似性，并在对比增强区域生成更多细节的医学图像。

    Jun, 2024

  • 扩散作为声波传播：用于超声图像生成的物理启发模型

    通过引入专门为超声成像设计的基于物理扩散模型，提出了一种改善生成超声图像质量的新方法，该方法结合了超声波传播自然行为的模拟方案，定性和定量结果表明该方法产生了更加合理的图像。

    Jul, 2024

  • 多条件去噪扩散概率模型（mDDPM）用于医学图像合成

    本研究针对医学图像合成中的数据集多样性和准确性问题，提出一种基于多条件输入的合成图像生成框架。通过使用去噪扩散概率模型（DDPM），我们展示了该框架能够生成高度准确的肺部CT图像，能够以假乱真地欺骗专家，推动了医学图像生成领域的发展。

    Sep, 2024

  • 以物理为指导的潜在扩散用于多模态脑MRI合成

    本研究解决了现有医学影像生成模型在多模态可用性方面的限制，提出了一种新的以物理为指导的生成模型，能够合成多种脑MRI模态，甚至包括原始数据集中不存在的模态。实验结果表明，该方法有效生成了未见的MRI对比，并保持了物理上的合理性，具有重要的应用潜力。

    Sep, 2024