在医学成像中使用物理启发的生成模型
Dennis Hein1,2, Afshin Bozorgpour3, Dorit Merhof3
1Department of Physics, KTH Royal Institute of Technology, Stockholm, Sweden.
Annual review of biomedical engineering
|May 1, 2025
概括
灵感来自物理学的生成模型,包括扩散和波桑流模型,正在彻底改变医学成像. 这篇评论强调了它们在重建,生成和分析中的应用,为未来的进步铺平了道路.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算物理 计算物理
背景情况:
- 生成模型 (GMs) 在医学成像中越来越重要.
- 灵感来自物理学的GM,如扩散和波桑流模型,提供了增强的贝叶斯方法.
- 这些模型显示了改善各种医学成像任务的重大前景.
研究的目的:
- 审查物理启发的生成模型在医学成像中的作用.
- 检查这些模型的准确性,稳定性和加速性.
- 概述这一领域对生成方法的未来研究方向.
主要方法:
- 对无声扩散概率模型,基于分数的扩散模型和Poisson流生成模型 (PFGM++) 的审查.
- 分析模型性能,重点关注准确性,稳定性和加速性.
- 探索医学图像重建,生成和分析中的应用.
主要成果:
- 灵感来自物理学的GM在医学成像应用中显示出显著的实用性.
- 扩散和波桑流量模型等关键模型显示了增强性能的前景.
- 该审查确定了这些先进的GM的当前能力和局限性.
结论:
- 灵感来自物理学的转基因对医学成像具有变革性,增强了贝叶斯方法.
- 未来的研究应该专注于统一这些模型,将它们与视觉语言模型集成,并探索新的应用.
- 本综述提供了一个及时的概述,以利用物理驱动的GM在医学成像中的潜力.


