使用心脏MRI图像的不对称注意力机制的扩散模型增大
Mertcan Özdemir1, Osman Eroğul1
1Department of Biomedical Engineering, Faculty of Engineering, TOBB University of Economics and Technology, Ankara 06510, Türkiye.
Diagnostics (Basel, Switzerland)
|August 28, 2025
概括
这项研究引入了生成合成心脏MRI图像的扩散模型,克服了数据短缺. 人工智能产生的图像具有很高的解剖学准确性, 使其几乎无法与专家评估的真实扫描相区别.
科学领域:
- 心血管成像
- 人工智能
- 医学图像分析
背景情况:
- 有限的心脏MRI数据阻碍了心血管成像中的深度学习.
- 需要保存解剖细节的数据增强方法.
研究的目的:
- 开发一种用于心脏MRI数据增强的新型生成模型.
- 评估合成心脏MRI图像的解剖学真实性和临床现实性.
主要方法:
- 开发了一种具有注意力增强的UNet架构的无声扩散概率模型.
- 在OCMR数据集上训练和评估模型.
- 与StyleGAN2-ADA,WGAN-GP和VAE模型进行性能比较.
主要成果:
- 与基线模型相比,实现了更高的图像质量 (FID: 77.78).
- 显示出优异的结构相似性 (SSIM:0.720,MS-SSIM:0.925).
- 放射科医生只能以60%的准确度区分真实和合成图像; 13/20的心脏指标被保存.
结论:
- 扩散模型对于心脏MRI数据增强是有效的.
- 生成的合成图像具有高解剖准确性和诊断质量.
- 这种方法可以提高心血管成像的下游临床应用.
