在医学图像重建中用于分布外适应的可引导条件扩散

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 机器学习 机器学习

背景情况:

• 化扩散模型被广泛用于医学成像中的反向问题.
• 他们在OOD任务中的表现,在数据与培训不同的情况下,是一个重大挑战.
• OOD数据可以导致与训练集特定的幻觉特征的重建.

研究的目的:

• 为解决OOD成像任务的扩散模型重建中幻觉特征的挑战.
• 提高扩散模型的准确性和稳定性,当它们应用于培训期间未见到的数据时.
• 为成像中的扩散模型引入一种新的测试时间适应框架.

主要方法:

• 引入可导向条件扩散,一个测试时间适应采样框架.
• 该框架与图像重建同时调整扩散模型.
• 适应仅由可用的测量信息来指导.

主要成果:

• 在各种成像模式中实现了OOD性能的大幅提升.
• 在OOD数据集的重建准确度方面显著改进.
• 在重建中成功地减少了训练特定图像特征的幻觉.

结论:

• 可导向条件扩散有效地提高了无噪声扩散模型的OOD性能.
• 拟议的方法通过在测试时调整模型来提高重建的准确性.
• 这项工作有助于在现实世界成像场景中可靠地应用扩散模型.