扩散模型是MRI差异化任务的有效良好的特征提取器吗?
Binghua Li1,2,3, Zhe Sun2,4,5, Chao Li2,3
1Graduate School of Engineering, Tokyo University of Agriculture and Technology, Fuchu, Tokyo, Japan.
概括
扩散模型 (DMs) 显示为 3D MRI 任务的特征提取器具有前途. 在大型数据集上训练DM并通过新的CATS模块对其进行微调,可以提高医学图像分类的性能.
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:
- 扩散模型 (DMs) 对于2D图像任务是有效的,但它们在3DMRI中的潜力尚未得到充分探索.
- 从3DMRI数据中提取有意义的特征对于疾病诊断等歧视性任务至关重要.
研究的目的:
- 评估扩散模型作为特征提取器在3DMRI分辨任务中的有效性.
- 评估预训练的扩散模型对脑瘤分类和阿尔茨海默病诊断的性能.
主要方法:
- 在英国生物库T1加权MR图像 (T1WI) 上预训练了一种否定扩散概率模型 (DDPM).
- DDPM对BraTS2020 (脑瘤) 和ADNI1 (阿尔茨海默病) 数据集进行了微调.
- 引入了一种新的融合模块CATS,以增强DDPM的U-Net表示.
主要成果:
- DDPM生成了高质量的合成图像,与原始数据分布一致.
- 来自DDPM的中间块和较小时间段的特征显示出高质量.
- 在CATS模块中,使用最小的额外参数,在BraTS2020 (0.7704) 和ADNI1 (0.9217) 上获得了竞争性分类分数.
结论:
- 在大规模数据集上预训练扩散模型,并在较小,特定任务的数据集上进行微调是MRI数据的可行策略.
- 扩散模型,特别是当使用CATS模块进行增强时,可以作为超出生成的3DMRI区分任务的特征提取器.


