扩散模型用于反事实生成和在大脑图像中的异常检测

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 计算机视觉 计算机视觉

背景情况:

• 病理区域的细分面具对于管理诸如脑瘤和中风等疾病至关重要.
• 产生病态图像的健康反事实有助于放射科医生的培训和细分模型的解释性.

研究的目的:

• 开发一种弱监督的方法,用于生成健康版本的疾病图像.
• 从这些生成的健康图像中创建像素智能的异常地图.
• 为了改善脑损伤细分和模型解释性.

主要方法:

• 利用突出地图 (通过ACAT获得) 来识别病态区域.
• 使用在健康样本上训练的扩散模型,结合Denoising扩散概率模型 (DDPM) 和Denoising扩散隐性模型 (DDIM).
• DDPM修改了病变区域,而DDIM重建了正常解剖,在每个步骤中进行无融合.

主要成果:

• 该方法在应用于健康样本时,准确地重建了健康图像.
• 在脑损伤细分方面获得了最高的Dice和IoU平均得分,与其他弱监督方法相比.
• 证明了对病理区域的异常图的有效生成.

结论:

• 提出的方法成功地产生了疾病图像的健康反事实.
• 这种方法提高了脑损伤细分的性能,并提供了更好的解释性.
• 该技术在医疗培训和诊断支持系统方面表现有前途.