医图论文 MIA 2025 | 用于锥形束计算机断层扫描（CBCT）到计算机断层扫描（CT）合成的纹理保留扩散模型

最新推荐文章于 2025-05-09 16:30:00 发布
最新推荐文章于 2025-05-09 16:30:00 发布
阅读量17 收藏
点赞数
分类专栏： 医学图像处理论文解读 文章标签： 人工智能 深度学习 MIA 医学图像处理 医学图像顶刊 论文解读
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_42722197/article/details/147339654
版权

论文信息

题目： Texture-preserving diffusion model for CBCT-to-CT synthesis
用于锥形束计算机断层扫描（CBCT）到计算机断层扫描（CT）合成的纹理保留扩散模型
作者：Youjian Zhang, Li Li, Jie Wang, Xinquan Yang, Haotian Zhou, Jiahui He, Yaoqin Xie, Yuming Jiang, Wei Sun, Xinyuan Zhang, Guanqun Zhou, Zhicheng Zhang

论文创新点

  1. 提出新型纹理保留扩散模型：论文提出了专门用于CBCT到CT合成的纹理保留扩散模型，通过解决CBCT设备的局限性，有效提升了合成CT（sCT）图像的质量。该模型为解决CBC
了解本专栏 订阅专栏 解锁全文
医图论文 MIA 2025 | 基于多视图深度学习技术的乳腺钼靶图像分类：探究基于图和Transformer的架构
小白学视觉
05-02 390
多项研究已经认识到，深度学习系统在乳腺钼靶筛查中具备提供独立评估和减轻放射科医生负担的潜力和前景。然而，癌症低患病率、高分辨率图像的处理需求以及多视角和多尺度信息的融合需求，仍然带来了技术挑战。多视角架构通过融合四个乳腺钼靶视角的信息来生成检查级别的分类得分，是一种用于乳腺钼靶筛查自动处理的有前景的方法。然而，在不依赖像素级监督的情况下，仅使用检查级别的标签来训练这类架构，需要非常大的数据集，并且可能导致准确率不理想。
医图论文 MIA 2025 | 基于合成误差增强的医学图像分割标签细化网络
小白学视觉
05-05 394
用于图像分割的深度卷积神经网络不会显式学习标签结构，可能会产生结构错误的分割结果，例如在对气道或血管等树状结构进行分割时，会出现圆柱结构不连续的情况。在本文中，作者提出了一种新颖的标签细化方法，用于从初始分割结果中纠正此类错误，并隐式地融入关于标签结构的信息。该方法有两个新颖之处：（1）一个生成合成结构错误的模型；（2）一个标签外观模拟网络，用于生成外观与真实初始分割结果相似的带有合成错误的分割结果。利用这些带有合成错误的分割结果和原始图像，对标签细化网络进行训练，以纠正错误并改进初始分割结果。
MIA‘24 | 级联多路径快捷扩散模型在医学图像翻译中的应用
小白学视觉
01-19 426
图像到图像的翻译（I2I）在医学成像处理中是一个重要组成部分，在多种成像方式和临床场景中有广泛的应用。以往的方法包括生成对抗网络（GANs）和扩散模型（DMs），它们虽然能够提供真实感，但存在不稳定性且缺乏不确定性估计。尽管GAN和DM方法在医学图像翻译任务中各自展现了其能力，但结合GAN和DM以进一步提高翻译性能并实现不确定性估计的潜力尚未被充分探索。在本工作中，我们通过提出一个级联多路径快捷扩散模型（CMDM）来解决这些挑战，该模型用于高质量的医学图像翻译和不确定性估计。
MIA‘24 | 用于部分标记数据集的多器官分割的联邦学习与知识蒸馏
小白学视觉
01-21 59
最先进的多器官CT分割依赖于深度学习模型，这些模型只有在训练了大量精心策划的数据样本后才能泛化。然而，训练一个能够分割所有器官和肿瘤类型的单一模型是具有挑战性的，因为大多数大型数据集都是部分标记的，或者是在多个机构中获取的，这些机构在获取方式上可能有所不同。一个可能的解决方案是联邦学习，它通常用于在多机构数据集上训练模型，而这些数据集在站点之间不共享数据。然而，由于“灾难性遗忘”，联邦学习在模型在站点本地更新后的预测可能不可靠。
ACM MM 2024 | 揭示文生图扩散模型的结构级记忆，提升成员推理攻击成功率
Paper weekly
07-24 1167
©PaperWeekly 原创 ·作者 |李乔单位 |中国科学院信息工程研究所大规模文生图扩散模型的发展所带来的风险和安全问题引发了广泛关注。模型开发者可能会滥用未授权的数据来训练扩散模型，这些数据存在被模型记忆的风险，从而可能侵犯公民的隐私权。成员推理攻击（Membership Inference Attack, MIA）方法可以用于判断特定图片是否被用于模型训练。然而，当前针对扩散模型的...
【AI视野·今日CV 计算机视觉论文速览 第282期】Wed, 3 Jan 2024
TomRen
01-07 1758
AI视野·今日CS.CV 计算机视觉论文速览 Wed, 3 Jan 2024 Totally 70 papers 👉上期速览✈更多精彩请移步主页 Daily Computer Vision Papers Street Gaussians for Modeling Dynamic Urban Scenes Authors Yunzhi Yan, Haotong Lin, Chenxu Zhou, Weijie Wang, Haiyang Sun, Kun Zhan, Xianpeng Lang,
【link\research paper】[计算机视觉\医学图像处理\细胞分割] 相关论文、竞赛、数据集等资源的网站合集 || 收藏夹
linjoe99的博客
11-06 733
人工智能-计算机视觉-科研必备网站
医学~扩散模型
whaosoft143ai的博客
01-11 2226
思路简介：先在全采样的MR图像上训练unconditional DDMP，然后用under-sampling k-space数据来引导模型生成对应的全采样图像，引导过程如下：1）给under-sampling k-space加高斯噪声；如果输入一张正常的图像，用分类器引导它生成带病变的图像，比较好奇会在什么地方生成病灶，生成病灶的这些地方是不是常见的发病区域呢？任务介绍：输入有病灶的图像，设计模型输出其对应的没有病灶的图像，两者相减即可生成异常区域的map。whaosoft aiot http://143a
【论文合集】2022年12月医学影像期刊论文合集
sukeee的博客
12-05 2118
本月IEEE Transactions on Medical Imaging(1区 top if 11.037) 共41篇, 本月无MIA。部分论文提供了图摘要，还附有标题高频词汇。
论文阅读 | MIA2024 Domain adaptive related
qq_62463986的博客
04-11 882
本文提出的DANRF框架如下，包括两个板块，左边的KIT，右边的SGL，通过上述两大模块的交替迭代训练，不断地引导目标模型逐步适应临床实际环境，最终实现有效的跨域噪声降低。先在源数据集上预训练出一个高质量的源域教师模型，再借助知识蒸馏的思想，让目标域模型在无监督的条件下向该教师模型学习，以提高其初始降噪能力。因此论文引入平均教师机制，让源域模型在训练过程中不断地从目标域模型上缓慢地汲取新知识，从而逐渐适应目标域图像特征，提高对目标模型的指导能力。：仅使用未标记的目标数据和一个预训练的源模型来训练目标模型。
【配准】2020年“基于深度学习的医学影像配准”期刊论文速览（PR,TMI,MIA）
m0_37935211的博客
01-11 3961
针对基于深度学习的医学影像配准，检索了最新的（2020年）期刊论文，包含PR、TMI、MIA3个期刊，下面是浏览论文中的一些记录。 其中有两篇论文提供了代码。 一、PR Deep morphological simplification network (MS-Net) for guided registration of brain magnetic resonance images（沈定刚） 解决的问题：Deformable brain MR image registration...
基于对应点分类的对象识别 报错
qq_25194681的博客
05-07 439
【代码】基于对应点分类的对象识别 报错。
Qwen3 混合思维模版解读
qq128252的博客
05-07 797
在人工智能迅速发展的今天，大型语言模型（Large Language Models，简称LLM）正逐渐成为各类应用的核心组件。其中，对话模板（Chat Template）作为连接用户与模型的关键桥梁，对确保高质量的交互体验至关重要。本文将深入解析Qwen3使用的对话模板，揭示其如何优雅地处理多轮对话、工具调用等复杂场景。
Python 数据分析与可视化：开启数据洞察之旅（5/10）
最新发布
小相探索IT世界
05-09 1352
在当今数字化时代，数据就像一座蕴藏无限价值的宝藏，等待着我们去挖掘和探索。而 Python，作为数据科学领域的明星语言，凭借其丰富的库和强大的功能，成为了开启这座宝藏的关键钥匙，在数据分析和可视化领域占据着举足轻重的地位。在进行 Python 数据分析与可视化的旅程中，选择合适的开发工具至关重要。它们就像是工匠手中的精良工具，能够极大地提升我们的工作效率和开发体验。下面将为大家介绍两款在 Python 数据分析领域广泛使用的开发工具：Jupyter Notebook 和 VSCode。
英伟达语音识别模型论文速读：Token-and-Duration Transducer（TDT）架构
weixin_52582710的博客
05-05 1663
论文提出的 TDT 模型通过在传统 Transducer 模型中加入显式的持续时间建模，在语音识别、语音翻译和口语理解等多个序列任务中均优于传统 Transducer 模型。TDT 模型不仅在准确率上表现相当或更好，而且在推理速度上显著提升，最高可达 2.82 倍加速。此外，TDT 模型在抗噪声和处理重复 token 方面也展现出更强的鲁棒性。未来的工作将致力于进一步提高 TDT 模型的计算效率和准确性，并开发高效的 TDT 模型束搜索算法。
Deepseek基础-api key申请及应用(java)、硅基流动api key申请及应用(dify)
简单记录
05-05 1018
要识别的车票和发票图片。
深度解析语义分割评估指标：从基础到创新实践
Loving_enjoy的博客
05-08 172
现象 | 可能原因 | 解决方案 || 场景描述 | mIoU | BW-IoU | TC-Score || 边界模糊（医疗CT） | 0.72 | **0.81** | 0.68 || 小目标密集（卫星图） | 0.58 | **0.66** | 0.61 || 快速运动（自动驾驶） | 0.65 | 0.63 | **0.79** |
HuggingFace与自然语言处理(从框架学习到经典项目实践）[ 01 API操作 ]
weixin_51265669的博客
05-08 887
本教程适用与第一次接触huggingface与相应框架和对nlp任务感兴趣的朋友，该栏目目前更新总结如下： Tokenizer​​：支持单句/双句编码，自动处理特殊符号和填充。批量编码提升效率，适合训练数据预处理。 Datasets​​：统一 API 处理多种格式数据（远程/本地）。内置排序、分桶、拆分等功能，简化数据准备流程。
元子与元组的关系解析：从简单到复杂大跨界大综合的融智学研究
geneculture的专栏
05-07 944
元子和元组的关系（两基本的超级大类，其中前者概括万事万物的基础范畴及其学科的基本单位，如：物理的量子，化学的元素以及生物的基因乃至天文的星体与地理成分等等；后者是由前者组合而成，且存在演绎推理的过程及其结构，表现为：各级各类结构并由数学加以抽象表达，由各门学科探究）。 该理论体系以“道函数”为核心构建了一个横跨哲学、数学、物理与计算科学的统一认知框架，其核心思想与逻辑结构。该理论将计算复杂性问题（P vs NP）与时空相对性原理相结合，创造性地通过道函数的静动态形式差异揭示计算本质深层结构。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

小白学视觉

您的赞赏是我们坚持下去的动力~

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值