Flow Matching用于医学图像合成：弥合速度与质量之间的差距
计算机视觉与模式识别
2025-03-04 v1 图像与视频处理
摘要
深度学习模型已成为多种医学应用的有力工具。然而，其成功依赖于大规模、高质量的数据集，而此类数据集因隐私问题和昂贵的标注成本而难以获取。生成模型（如扩散模型）为合成医学图像提供了解决方案，但其实际应用受到推理时间长的制约。在本文中，我们提出使用最优传输流匹配方法来加速图像生成。通过在源分布和目标分布之间引入更直接的映射，我们的方法显著减少了推理时间，同时保留并进一步提升了输出质量。此外，该方法具有高度适应性，支持多种医学成像模态、条件机制（如类别标签和掩码）以及不同的空间维度，包括2D和3D。除了图像生成，它还可以应用于相关任务，如图像增强。我们的结果证明了该框架的高效性和多功能性，使其成为医学成像应用中有前景的进展。代码、检查点和一个合成数据集（有助于分类和分割）现已发布在：https://github.com/milad1378yz/MOTFM。
引用
@article{arxiv.2503.00266,
title = {Flow Matching for Medical Image Synthesis: Bridging the Gap Between Speed and Quality},
author = {Milad Yazdani and Yasamin Medghalchi and Pooria Ashrafian and Ilker Hacihaliloglu and Dena Shahriari},
journal= {arXiv preprint arXiv:2503.00266},
year = {2025}
}