Jul, 2024

DiNO-Diffusion. 自监督预训练扩展医学扩散

HTML
PDF
TL;DR使用自我监督方法训练潜在扩散模型的DiNO-Diffusion方法，在医学成像领域展示了广泛的覆盖能力，能够生成语义多样且量级较小的合成数据集，用于数据增强时可提高20％的分类性能。此外，DiNO-Diffusion表现出良好的零样本分割性能和图像解剖对齐效果，同时可以适用于其他医学成像模态或先进的扩散模型，为医学成像领域的大规模多领域图像生成提供可能。
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

  • 扩散模型中的医学图像分割注释一致性预测

    提出了一种新的多专家预测方法，利用扩散模型处理医学图像分割中多个专家提供注释的变异性，并将其融合成反映多个专家共识的统一分割地图，实现了较好的分割性能。

    Jun, 2023

  • EMIT-Diff：通过文本引导的扩散模型增强医学图像分割

    本文提出了一种用于医学图像合成的新方法，即EMIT-Diff，它利用最近的扩散概率模型生成逼真且多样化的合成医学图像数据，并确保合成样本符合医学相关约束并保留成像数据的底层结构。在多个数据集上进行的实验证明了EMIT-Diff在医学图像分割任务中的有效性，并展示了引入首个文本引导的扩散模型用于通用医学图像分割任务的可行性。

    Oct, 2023

  • 学习表示引导的扩散模型用于大规模图像生成

    该研究介绍了一种使用自我监督学习嵌入条件的扩散模型来生成高质量的病理学和卫星图像的方法。通过从自我监督学习表示中提取嵌入，可以生成大型图像，并通过生成变化的真实图像加强下游分类器的准确性。此方法在训练过程中表现出鲁棒性和普遍性，对于不同数据集的图像生成同样有效。

    Dec, 2023

  • 基于分割引导扩散模型的可控解剖学医学影像生成

    通过扩充小规模或不平衡数据集来生成高质量的影像，本研究提出了一种扩散模型来实现解剖结构控制的医学影像生成，有别于现有模型，该模型在每个采样步骤中遵循多类解剖学分割掩模，并采用随机掩模消融算法来实现对所选解剖约束的条件控制。在乳腺磁共振成像和腹部/颈至骨盆CT数据集上进行比较评估，验证了本模型对于解剖结构真实性和掩模准确性的优越性。此外，我们提供易于使用的代码库并发布了一个生成的成对乳腺磁共振成像数据集，该方法具有多种应用，包括预注册影像生成和反事实情境分析等。

    Feb, 2024

  • 医学图像扩散分割分析

    对扩散分割与图像生成之间的区别进行分析和讨论，重点关注训练行为，评估直接用于分割的扩散分割架构的表现，以及不同医学分割任务对扩散分割行为的影响及相应的扩散过程的调整方法。通过这些分析，旨在为未来扩散分割方法的设计和评估提供深入见解。

    Mar, 2024

  • X-Diffusion：使用横截面扩散模型从单张图像生成详细的3D MRI体积

    X-Diffusion是一种为磁共振成像(MRI)数据量身定制的横截面扩散模型，能够从一张或少量多张MRI切片中生成完整的MRI体积，实现了从极度稀疏的观测得到合成MRI的精度方面的新突破。

    Apr, 2024

  • 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

  • 用于医学图像分割的潜空间去噪扩散

    提出了一种利用潜在空间中的扩散进行医学图像分割的新型条件生成建模框架(LDSeg)，该框架利用目标对象形状和源图像嵌入的学习得到的低维潜在分布，从而实现准确的多维图像分割，同时解决了传统扩散建模分割中的内存消耗大、采样过程耗时和正反向过程中的不自然噪声注入等问题，在三个具有不同成像模态的医学图像数据集上取得了最先进的分割准确度，并表明与传统确定性分割模型相比，该模型对噪声更加稳健，有助于解决医学图像领域的域偏移问题。

    Jul, 2024

  • Diffuse-UDA：利用外观和结构对齐扩散模型解决医学图像分割中的无监督领域适应

    本研究解决了医学影像中缺乏标注和领域差异导致的无监督领域适应（UDA）问题，提出了一种新方法Diffuse-UDA，利用扩散模型生成具有目标领域特征的高质量图像-掩码对。实验结果表明，Diffuse-UDA在多项基准测试中优于现有的UDA和半监督策略，为医疗影像中的AI系统开发提供了新的解决方案，改善了医疗结果和效率。

    Aug, 2024