面向荧光分子断层扫描的形态感知扩散模型 —— MDiff-FMT
计算机视觉与模式识别
2024-10-10 v1
摘要
荧光分子断层扫描 (FMT) 是一种广泛用于生物医学研究的灵敏光学成像技术。然而，该逆问题的欠定性为 FMT 重建带来了巨大挑战。尽管端到端深度学习算法已被广泛应用于解决此关键问题，但仍存在高数据依赖性和差励的形态恢复问题。本文首次提出一种基于去噪扩散概率模型 (DDPM) 的形态感知扩散模型 MDiff-FMT，用于实现 FMT 的高保真形态重建。首先，我们利用 DDPM 的噪声添加模拟形态特征逐步退化的过程，通过分步概率采样机制实现对形态特征的精细重建，避免端到端深度学习方法可能出现的结构细节丢失问题。此外，我们引入条件荧光图像作为结构先验信息，用于从噪声图像中采样出高保真重建图像。大量数值和真实药物盒实验结果表明，所提出的 MDiff-FMT 在不依赖大规模数据集的情况下，实现了 FMT 形态重建的 SOTA 水平。
引用
@article{arxiv.2410.06756,
title = {DreamMesh4D: Video-to-4D Generation with Sparse-Controlled Gaussian-Mesh Hybrid Representation},
author = {Zhiqi Li and Yiming Chen and Peidong Liu},
journal= {arXiv preprint arXiv:2410.06756},
year = {2024}
}
备注
NeurIPS 2024