Sep, 2024

探索基础模型在合成医学影像中的应用：针对胸部X光片的研究及微调技术

HTML
PDF
TL;DR本研究解决了因隐私和法规限制而获取患者数据困难的问题，提出通过基础模型生成合成医学影像的创新方法。通过应用潜在扩散模型，研究表明微调基础模型能够有效提高生成胸部X光片的质量与真实性，可能为医学影像生成领域带来重要影响。
发现论文，激发创造
  • 将预训练的视觉语言基础模型应用于医学图像领域

    本研究旨在将大型预训练基础模型的表现能力扩展到特定的医疗概念中，通过研究Stable Diffusion模型的子组件，进而生成医学影像，并通过定量和定性的方法对模型效果进行评估。

    Oct, 2022

  • 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

  • RoentGen: 胸部 X 光图像生成的视觉语言基础模型

    本研究提出了一种策略来克服大规模自然 - 医学分布偏移，并使用预先训练的潜在扩散模型在公开可用的胸部X射线（CXR）及其对应的放射学（文本）报告语料库上进行调整，评估了生成的高保真CXR的图像质量和文本 - 图像对齐的能力，并观察到使用数据增强的方式训练动态成像分类器的证据。

    Nov, 2022

  • 高分辨率胸部X光合成的级联潜在扩散模型

    本文研究了基础模型在医疗领域的应用，提出了Cheff模型生成高质量胸部X光片，并提出了MaCheX接口，用于公共胸部数据集，从文本提示文档指导合成过程，揭示了医学图像处理中报告到X光片生成的研究领域。

    Mar, 2023

  • 利用人类反馈将合成医学图像与临床知识对齐

    该研究提出一种“病理学家在环路中”的框架，通过人工专家的反馈，将临床知识注入扩散模型，从而生成具有临床可信度的合成医学影像。

    Jun, 2023

  • 利用潜在扩散模型的合成数据增强医疗图像分类器

    利用潜在扩散模型生成皮肤病图像的研究表明，通过合成数据训练模型可以在数据有限的情况下提高性能，但合成数据与真实数据相比仍然有较小的性能增益，因此收集多样的真实数据仍是提升医疗人工智能算法的重要步骤。

    Aug, 2023

  • 基于生成预训练的人工智能放射学图像解读中的患者特定干扰因素重建

    在医疗图像分类中，基于扩散模型的预训练方法（如DiffChest）能够准确识别混杂因素、提供洞察力，并在诊断多种胸部疾病方面取得了相当不错的准确性。

    Sep, 2023

  • 医学影像学中的基础模型：综合调查与未来视野

    通过提供医学成像领域基础模型的综合概述，本调查旨在帮助研究人员了解基础模型的基本概念、培训策略、计算要求以及在医学图像分析方面的机会、应用和未来发展方向。

    Oct, 2023

  • 合成增强：揭示合成数据在医学影像研究中的潜力

    使用扩散模型的合成数据补充对胸部X射线影像（CXR）分析中深度学习（DL）分类器性能的影响进行了研究，评估了内部和外部数据集上分类器的性能，结果表明合成数据补充可以增强模型准确性，尤其是在检测罕见病变方面。然而，尽管结果有希望，真实数据的优越性仍然存在。

    Nov, 2023

  • XReal：基于可控扩散模型的逼真解剖与病理感知的X射线生成

    通过准确的解剖学和病理定位控制，我们提出一种名为XReal的新型可控扩散模型，用于生成逼真的胸部X射线图像。我们的轻量级方法可以在预训练的文本到图像扩散模型中无需微调地无缝集成空间控制，保留其现有知识同时增强生成能力。XReal在定量和定性指标上优于最先进的X射线扩散模型，根据专家放射科医师评估，解剖和病理逼真性分别提高了13％和10％。我们的模型有望在医学成像中推进生成模型，提供更高的准确性和适应性，并在这个不断发展的领域引发进一步的探索。大规模合成生成的带有注释和代码的数据公开可用于 this https URL。

    Mar, 2024