MMIT-DDPM - 多边医学图像翻译与基于扩散模型的类和结构监督
Sanjeet S Patil1, Rishav Rajak1, Manojkumar Ramteke2
1Department of Chemical Engineering, IIT Delhi, India.
Computers in biology and medicine
|December 3, 2024
概括
本研究引入了一种新的扩散模型,用于跨多种模式的统一医疗图像翻译. 与生成对抗网络相比,该模型在生成多样化和高质量的医学扫描方面表现出卓越的性能.
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:
- 跨多种模式的统一医疗图像翻译对于医疗保健至关重要.
- 现有的一对一的生成对抗网络 (GAN) 难以实现多模式的翻译多样性.
- 否认扩散概率模型 (DDPMs) 显示出由于可扩展性和数据分布捕获,在图像生成方面具有前景.
研究的目的:
- 提出一种新型的条件化机制,用于使用DDPM的确定性,一对多的医学扫描翻译.
- 为了实现T1加权,T2加权和FLAIRMRI序列之间的统一翻译.
- 消除对多个专业双边翻译模型的需求.
主要方法:
- 为基于DDPM的医疗图像翻译开发了一种新的调节机制.
- 该模型使用源模式结构编码器和源到目标类调节器.
- 在BraTS 2021数据集上进行了培训和测试,包括T1ce,T2和FLAIR序列.
主要成果:
- 拟议的DDPM在6种脑MRI序列组合中实现了统一的多边翻译.
- 扩散模型在最先进的GAN,包括卷积神经网络 (CNN) 和变压器中表现出优越的性能.
- 量化改进包括多尺度结构相似性 (MSSIM) 增加8.06%,Fréchet初始距离 (FID) 度量减少2.52.
结论:
- 开发的具有新型调节机制的DDPM可实现高效和统一的一对多医疗图像翻译.
- 这种方法在图像质量和脑MRI的模式覆盖方面超过了传统的GAN.
- 这些发现为更通用和更有效的医疗图像处理工具铺平了道路.
