通过二维和三维概率扩散模型生成的合成扩散张力图像地图:评估和应用
Tamoghna Chattopadhyay1, Chirag Jagad1, Rudransh Kush1
1Imaging Genetics Center, Mark and Mary Stevens Neuroimaging and Informatics Institute, Keck School of Medicine, Marina del Rey, CA, United States.
bioRxiv : the preprint server for biology
|March 10, 2025
概括
使用无声扩散概率模型 (DDPMs) 的合成扩散张力成像 (DTI) 可以增强深度学习的数据. 与2D方法相比,3D DTI合成在下游任务中显示出优异的性能.
科学领域:
- 神经成像是一种神经成像.
- 人工智能的人工智能
- 医学图像分析 医学图像分析
背景情况:
- 扩散张力成像 (DTI) 对于大脑微观结构分析至关重要,但面临着诸如高成本,长时间获取和文物等挑战.
- 数据稀缺性和隐私问题限制了用于DTI分析的深度学习模型的培训.
- 合成DTI生成正在获得引力,以克服这些局限性并提高数据可用性.
研究的目的:
- 评估合成DTI平均扩散度 (MD) 地图的质量,保真性和下游应用价值,这些地图由2D和3D无效扩散概率模型 (DDPMs) 生成.
- 评估这些合成DTI方法在分类任务中的计算效率和数据增强实用性.
- 提供合成扩散权重成像方法的基准分析.
主要方法:
- 使用二维切片式和三维体积式DDPM生成合成DTI MD地图.
- 对生成的合成DTI地图的图像质量,真实性和多样性的评估.
- 评估下游任务性能 (性别和痴呆症分类) 使用2D和3D卷积神经网络 (CNN) 与增强数据.
- 基准测试计算效率和性能权衡.
主要成果:
- 与2D切片式合成相比,3D体积智能DDPM合成在下游分类任务中表现出优异的性能.
- 合成DTI数据有效增强了训练数据集,提高了CNN在性别和痴呆症分类方面的性能.
- 与GAN和VAE等传统生成模型相比,DDPM在忠实性,多样性,可控性和稳定性方面表现出优势.
结论:
- 3D DDPM是生成高质量的合成 DTI 数据的高效方法,其性能优于下游应用的 2D 方法.
- 使用DDPM的合成DTI生成为数据增强提供了一个可行的解决方案,解决神经成像研究中的数据稀缺性和隐私问题.
- 这项研究为不同合成扩散权重成像技术的权衡提供了宝贵的见解,指导了未来的研究和临床应用.
