Sep, 2024

高效语义扩散架构用于合成心脏超声图像的模型训练

HTML
PDF
TL;DR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。
发现论文，激发创造
  • 使用潜在扩散模型进行高分辨率图像合成

    通过在预训练的自编码器的潜在空间中应用扩散模型，引入交叉注意力层到模型体系结构中，以更少的计算要求取得接近最优的性能，实现高分辨率合成，缩小像素级DMs对计算资源的需求。

    Dec, 2021

  • 扰动与回声：利用扩散模型生成合成超声图像用于真实图像分割

    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

  • 合成推进：在超声心动图中利用合成数据增强视觉语言分割

    通过使用合成数据集和语义扩散模型，提高了视觉-语言分割模型在超声心动图分割中的性能。

    Sep, 2023

  • 通过扩散模型从舒张末期语义图合成超声心动图像

    通过扩展现有的视频扩散模型，基于语义解剖信息生成超声心动图视频的研究，在改进合成过程中整合空间调整归一化，以提高生成视频的逼真性和连贯性，并在CAMUS数据集上展示了优于标准扩散技术的性能。

    Oct, 2023

  • 探索超参数空间中的图像扩散模型用于超声心动图生成

    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

  • 基于评分的表面冷扩散模型用于医学图像分割

    本研究提出了一种基于条件得分的生成建模框架，用于医学图像分割，该框架依赖于分割掩模的参数化表面表示。实验结果表明，与其他常用的图像分割模型相比，我们的模型在分割准确度方面表现出色，并且由于其生成性质，还能够估计分割的不确定性以进行进一步的分析。

    Dec, 2023

  • 一种具有对抗去噪扩散模型的领域翻译框架，用于生成心脏超声图像的合成数据集

    利用对抗去噪扩散模型和生成对抗网络，训练出具有高泛化能力的生成模型，实现医学图像域转换，生成适用于临床研究目的的超声心动图像。

    Mar, 2024

  • 视觉语言合成数据增强心脏超声下游任务

    利用最近的视觉-语言模型，通过文本和语义标签图引导，产生多样和逼真的合成心脏超声图像数据，以保留原始图像的关键特征。研究了无条件生成、文本引导生成和混合方法，并展示出合成数据中存在的丰富上下文信息可能提高下游任务的准确性和可解释性，例如改善指标和更快收敛的心脏超声图像分割和分类。实现部分含有检查点、提示和创建的合成数据集可公开获取。

    Mar, 2024

  • 医学图像翻译的自一致递归扩散桥

    医学图像翻译中，自洽递归扩散桥(SelfRDB)通过使用以目标图像为基础、源图像为参照的前向过程，以及噪声调度和采样过程等创新方法，提供了优越的性能。

    May, 2024

  • 无训练条件视频扩散模型用于单帧空间语义超声合成

    本研究解决了现有条件视频扩散模型在超声图像生成中的数据稀缺问题。提出的Free-Echo方法无需额外训练数据即可从单一的舒张末期分割图生成逼真的超声图像，基于3D-Unet与时间注意力层的模型，展示了与训练基模型相当的生成性能。这项工作为通过单一分割图生成超声图像开辟了新的可能性，适用于数据增强和领域适应等医学影像应用。

    Aug, 2024