Oct, 2024

MedDiff-FM: 一种用于多功能医学图像应用的扩散基础模型

HTML
PDF
TL;DR本研究针对现有医学图像研究中存在的任务局限性，提出了MedDiff-FM，一个基于扩散的基础模型，能够处理多种医学图像任务。该模型通过使用来自多个公共数据集的3D CT图像进行预训练，展示了在图像去噪、异常检测和图像合成等任务中的有效性，从而推动了医学图像分析的多样性与灵活性。
发现论文，激发创造
  • 通过频率引导扩散模型实现零样本医学图像翻译

    使用频域滤波器来指导扩散模型，以实现结构保留图像翻译的频率引导扩散模型（FGDM），同时在医学图像翻译中具有零样本学习的能力。 该模型在结构保留医学图像翻译任务中具有良好的性能。

    Apr, 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

  • 自适应潜在扩散模型用于三维医学图像到图像翻译：多模态磁共振成像研究

    提出了基于潜在扩散模型的多模态图像转换模型，通过使用切换块进行图像到图像转换，解决了临床实践中获取多种模态图像的难题，实现了高质量的目标模态生成。

    Nov, 2023

  • FDDM：使用频率解耦扩散模型的无监督医学图像翻译

    本研究介绍了一种频率解耦的扩散模型（FDDM），通过在转换过程中将医学图像的频率分量在傅里叶域中分离，实现保留结构并高质量转换图像。通过公开的脑部MR-to-CT转换数据集进行了广泛评估，结果表明FDDM在产生高度逼真的目标领域图像的同时保持了翻译的解剖结构的准确性。

    Nov, 2023

  • MAEDiff: 基于掩码自编码器增强扩散模型的无监督脑部图像异常检测

    我们提出了一种新颖的蒙版自编码器增强扩散模型 (MAEDiff)，用于无监督异常检测脑部图像。MAEDiff包括分层补丁分割，通过重叠上层补丁生成健康图像，并在次级补丁上采用基于蒙版自编码器的机制来增强未加入噪声区域的条件。对肿瘤和多发性硬化症病灶的数据进行了大量实验证明了我们方法的有效性。

    Jan, 2024

  • 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

  • ContourDiff：带轮廓引导扩散模型的非配对图像转换

    提出了一个新的框架ContourDiff，通过利用图像的域无关解剖轮廓表示，实现对医学图像的跨模态（如CT到MRI）准确翻译，并确保保留解剖内容，进而在图像转换和分割模型中取得了显著优于其他方法的性能。

    Mar, 2024

  • MediSyn: 用于广泛医学2D和3D图像合成的文本引导扩散模型

    通过生成逼真且多样化的医学2D和3D图像，基于指令的文本导向潜在扩散模型MediSyn为算法的训练和研究提供了一个丰富且尊重隐私的资源，并通过已建立的指标展示了在医学图像和视频综合中以文本提示为导向的显著改进。

    May, 2024

  • 使用文字引导的扩散模型增强标记效率的医学图像分割

    本研究提出了一种增强的扩散分割模型(TextDiff)，通过廉价的医学文本注释来改进语义表示，从而明确建立扩散模型的语义表示和语言对应关系。该模型通过训练交叉注意机制和像素分类器来增强语义表示，表现优于最先进的多模态分割方法，仅需少量训练样本。

    Jul, 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

    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。

    Sep, 2024