识别伪造肺部：利用神经扩散模型生成合成医学图像

生成模型在医学图像合成中日益流行。近来，神经扩散模型已展现出生成物体照片级真实图像的潜力。然而，其生成医学图像的潜力尚未被探索。本工作中，我们探索使用神经扩散模型合成医学图像的可能性。首先，我们使用预训练的DALLE2模型从输入文本提示生成肺部X光与CT图像。其次，我们使用3165张X光图像训练稳定扩散模型并生成合成图像。我们通过定性分析评估合成图像数据，两名独立放射科医生将生成数据中随机选取的样本标注为真实、伪造或不确定。结果表明，扩散模型生成的图像能够呈现胸部X光或CT图像中某些特定病症所特有的特征。仔细调参模型极具前景。据我们所知，这是首次尝试使用神经扩散模型生成肺部X光与CT图像。本工作旨在为医学成像人工智能引入新维度。鉴于此为新兴课题，本文将作为介绍与动机，促使研究界探索扩散模型在医学图像合成中的潜力。我们已在 https://www.kaggle.com/datasets/hazrat/awesomelungs 发布了合成图像。