用于医学图像合成的多条件去噪扩散概率模型 (mDDPM)
计算机视觉与模式识别
2024-09-10 v1
摘要
医学成像应用在人体解剖学、病理学和成像领域方面高度专业化。因此，用于训练医学成像深度学习应用的带注释训练数据集不仅需要高度准确，还需要足够多样化和庞大，以涵盖几乎所有与这些规范相关的可能示例。我们认为，通过一个用于带注释合成图像的受控生成框架，并以多个条件规范作为输入来提供控制，可以促进实现这一目标。我们采用去噪扩散概率模型 (DDPM) 在肺部CT领域训练一个大规模生成模型，并扩展了一种无分类器采样策略，以展示这样一个生成框架。我们表明，我们的方法可以生成能够忠实代表解剖结构的带注释肺部CT图像，令人信服地欺骗专家，使其认为它们是真实的。我们的实验表明，当在可比的大规模医学数据集上训练时，这种性质的受控生成框架在实现生成医学图像的解剖一致性方面，几乎可以超越所有最先进的图像生成模型。
引用
@article{arxiv.2409.04670,
title = {Multi-Conditioned Denoising Diffusion Probabilistic Model (mDDPM) for Medical Image Synthesis},
author = {Arjun Krishna and Ge Wang and Klaus Mueller},
journal= {arXiv preprint arXiv:2409.04670},
year = {2024}
}