SPIRiT-Diffusion：基于SPIRiT驱动分数的血管壁成像生成建模

转载 已于 2022-12-24 20:59:50 修改 · 374 阅读 · 0 ·
CC 4.0 BY-SA版权
原文链接：https://wx.zsxq.com/dweb2/index/group/142181451122
文章标签：

#人工智能 #计算机视觉

于 2022-12-24 20:15:49 首次发布
SPIRiT-Diffusion是一种基于SPIRiT的新型扩散模型，专为多线圈MRI数据重建设计。该方法通过分数匹配和自洽性来利用线圈间的先验信息，实现在颅内和颈动脉血管壁成像中的卓越重建效果，超越了SPIRiT和VE-SDE等传统方法。

个人读书笔记记录，本文转自来源于CVer学术交流，具体加入CVer学术交流群详细了解。

https://arxiv.org/abs/2212.11274

由浅入深了解Diffusion Model - 知乎 (zhihu.com)

SPIRiT-Diffusion 在联合颅内和颈动脉血管壁成像中取得了优异的重建结果，实验表明，其性能优于SPIRiT和VE-SDE等方法。单位：中科院

扩散模型是图像生成中最先进的方法，并已成功应用于MRI重建。然而，现有方法没有考虑multi-coil acquisition of MRI data的特点。因此，我们基于SPIRiT迭代重建算法给出了一种新的扩散模型，称为SPIRiT-Diffusion 的方法。具体来说，SPIRiT-Diffusion 就通过分数匹配来表征逐线圈图像的先验分布，并基于自洽来表征线圈之间的k空间冗余先验。在充分利用先验约束的情况下，我们在联合颅内和颈动脉血管壁成像数据集上取得了优越的重建结果。

《SPIRiT-Diffusion: SPIRiT-driven Score-Based Generative Modeling for Vessel Wall imaging》

 

【论文精读02】BLIP-Diffusion: Pre-trained Subject Representation for Controllable Text-to-Image Generation
NZR的blog
05-28 1218
主题驱动的文本-图像生成模型创造出了一个基于文本提示的输入主题的新展现。现存的模型有着微调时间长、主题保存性不强的问题，基于此提出了BLIP-Diffusion模型，它支持多模态控制，并且使用主题图像和文本提示作为输入。与其他工作不同的是，它引入了一个新的、预训练好的、能提供主题嵌入的多模态编码器。我们首先follow BLIP-2来预训练 视觉编码器；接着，我们设计了一个主题表示学习任务，使扩散模型能够利用这种视觉表示生成新的主题呈现。
【Nvidia开源世界模拟器】Cosmos-1.0-Diffusion：基于扩散的世界基础模型套件
weixin_41446370的博客
01-07 1923
在根据我们的服务条款下载或使用时，开发人员应与其内部模型团队合作，以确保该模型符合相关行业和用例的要求，并解决不可预见的产品滥用问题。Cosmos 扩散模型是一系列基于扩散的世界基础模型，可从文本、图像或视频输入生成动态、高质量的视频。：如果您绕过、禁用、降低或规避模型中包含的任何技术限制、安全防护栏或相关安全防护栏超参数、加密、安全、数字版权管理或验证机制，您在 NVIDIA 开放模型许可协议下的权利将自动终止。对于更高端的 GPU，用户可以根据下面提供的数据选择最合适的卸载策略。
SPIN-Diffusion：自我博弈微调提升文本到图像扩散模型性能
人工智能讲师分享前沿技术
07-06 1056
扩散模型作为生成AI的关键实体，已经在多个领域展现出了卓越的能力。然而，现有的扩散模型，如Stable Diffusion和SDXL，通常在预训练阶段后需要进行微调以更好地符合人类偏好。最近，研究者们开始尝试使用强化学习（RL）来微调扩散模型，但这通常需要每个文本提示至少有两个图像（“胜者”和“败者”）。为了解决这一问题，来自加州大学洛杉矶分校的研究团队提出了一种扩散模型自我博弈微调（SPIN-Diffusion），允许扩散模型与其早期版本进行竞争，从而实现自我迭代改进。
DL.to 最新研究（论文）推荐——分割、CVPR、扩散模型、感受野注意力模块
jialiyk的博客
05-24 3088
主要是一些分割类论文，主要的是一些无监督、弱监督、半监督的分割，任意模态的分割，无标记的分割等等研究
NLR-SPIRiT：一种新的的并行磁共振成像重构算法（含代码）
pan的博客
02-10 1720
分享我的文章 该算法使用图像的非局部自相似特性作为先验信息，能有效提升重建图像质量。 ​​​​​​​​​​​​​​​​​​https://authors.elsevier.com/c/1eZTR,GdM5jtRv
CV论文--2024.2.19
u012854516的专栏
02-19 983
结果表明，GES能够更准确地表示具有尖锐边缘的信号，而这对于高斯函数来说是具有挑战性的，因为高斯函数具有固有的低通特性。通过频率调制损失的辅助，GES在新视角合成基准测试中表现出了竞争性能，同时内存占用仅为高斯喷洒的一半，并且渲染速度提高了高达39％。在本文中，我们介绍了一种名为自我对弈微调扩散模型（SPIN-Diffusion）的创新技术，其中扩散模型与其早期版本进行竞争，促进迭代的自我改进过程。然而，传统的提示学习方法在训练分布上过度拟合，失去了对测试分布的泛化能力。
Polar-Net：通过 OCTA（光学相干断层扫描血管成像）检测阿尔茨海默病
Debroon
02-05 1495
Polar-Net是一个用于检测阿尔茨海默病（AD）的深度学习模型，它通过分析光学相干断层扫描血管成像（OCTA）图像来工作。这个模型解决了如何从视网膜图像中识别AD的问题，使用了一系列特定的解决方案来提高检测的准确性和可解释性。主问题：如何通过OCTA图像有效地检测阿尔茨海默病？子问题1、子解法1：区域基础分析的模拟解法：极坐标转换为了模拟临床上常用的ETDRS网格分析方法，需要一种能够将OCTA图像的笛卡尔坐标转换为极坐标的方法，因为这种转换能够让模型在圆形网格中进行更自然的区域分析。
SPIRiT-Diffusion：基于自一致性驱动的加速MRI扩散模型|文献速递-基于深度学习的病灶分割与数据超分辨率
weixin_38594676的博客
11-15 817
这些方法通过估计平移不变的插值核，描述多通道 k-空间数据之间的冗余先验，从而使得缺失的 k-空间数据能够在较低的灵敏度估计误差下进行估计。其中，x := [x₁, ..., xₘ] 是待重建的图像，xᵢ 是第 i 个通道图像，y 是欠采样的 k-空间数据，n 是高斯噪声，A 是编码矩阵，定义为 A := MF，M 是欠采样算子，F 表示傅里叶变换。与传统方法不同，基于得分的 MR 重建学习的是数据分布，而不是 k-空间数据和图像之间的端到端映射，这使得无监督学习成为可能，并且有助于适应分布外的数据。
Stable-Diffusion-WebUI（秋叶）和Stable-Diffusion–forge
05-10
Stable-Diffusion-WebUI（秋叶）是一个基于Web的应用程序，允许用户通过简单的界面操作来生成图像。相比于命令行工具或复杂的开发环境，这类WebUI大大降低了使用Stable Diffusion技术的门槛。 #### 4. 主要功能 - *...
SPIRIT算法实现
10-28
算法原理接内容详细的接受，实现程序方法及介绍很详细，希望对大家有所帮助
对SPIRIT的解读
01-24
可以进一步对SPIRIT要求进行解读，有助于提高医学科研质量
K-space性质以及基于DM的MRI影像加速论文汇总（一）
qq_51221943的博客
04-13 1328
然而，现有的VP-SDE可以被视为最大化要重建的MR图像的能量，并且可能导致SDE序列发散。此外，基于 VE 和 VP-SDE 的模型都存在耗时的采样过程，导致重建时间较长。在公开的 fastMRI 数据集上的实验表明，基于 HFS-SDE 的重建方法在重建精度方面优于并行成像、监督深度学习以及现有的基于 VE 和 VP-SDE 的方法。它还提高了MR重建的稳定性并加速了反向扩散的采样过程。SPIRiT通过自校准的方式，结合图像重建和校准的数据，来提供一致的解决方案，适用于任意K空间采样模式的图像重建。
【血管检测】线跟踪算法眼睛视网膜血管检测【含Matlab源码 3952期】
订阅付费专栏Matlab（奶茶价版）或下载付费资源，可赠送奶茶价版付费专栏指定代码1份；
02-23 977
线跟踪算法眼睛视网膜血管检测 完整的代码，方可运行；可提供运行操作视频！适合小白！
Score-based diffusion models for accelerated MRI
通街是密人有的博客
10-25 3407
​ 近年来，磁共振成像（MRI）的亚采样测量重建方法取得了很大进展。正则化重建方法利用手工制作的先验数据的稀疏性以及数据的一致性来得出解决方案（Donoho，2006），但先验的构造是十分重要的，并且没有一种方法能够正确地建模MRI扫描的实际复杂数据分布pdatap_{data}pdata​。数据驱动的深度学习方法可以直接（Wang等人，2016）或间接（Oh等人，2020；Yaman等人，2020）训练模型，但这些方法严重依赖于精心策划的k空间数据大型数据库的监督，这很难获得。
核磁共振重建算法综述
热门推荐
qq_36421001的博客
09-12 1万+
自己整理的一些核磁共振重建综述文章，仅供参考，不发表~ 提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档 文章目录摘要一、引言二、核磁共振成像原理2.1.核磁共振成像过程2.2.K空间2.3.核磁共振数据采集过程三 核磁共振重建方法3.1.部分傅里叶重建方法3.2.并行重建方法3.2.1 常用的并行重建方法3.2.2 同时多层重建方法3.2.3 三维并行成像3.3.压缩感知重建方法3.3.1 压缩感知原理3.3.2 压缩感知重建过程3.4.基于深度学习的MRI重建方法3.4.1 基于数据驱
Diffusion Models for Medical Image Analysis A Comprehensive Survey
通街是密人有的博客
11-21 5980
去噪扩散模型是一类生成模型，最近在各种深度学习问题中引起了极大的兴趣。扩散概率模型定义了前向扩散阶段，其中输入数据通过添加高斯噪声在几个步骤上被逐渐扰动。尽管扩散模型具有已知的计算负担，但其强大的模式覆盖率和生成的样本的质量被广泛赞赏。利用计算机视觉的进步，医学成像领域也观察到对扩散模型的兴趣越来越大。为了帮助研究者驾驭这一庞然大物，本次调查旨在全面概述医学图像分析学科中的扩散模型。
TensorRT笔记（5）：研究timingCache
最新发布
ouliten的博客
12-02 414
在里出现了大量的timingCache，但是当时没有取研究这是干啥的，本文就来解析一下。样例都基于上面的文章。
【推荐系统】深度学习训练框架（五）：pyspark分布式TorchDistributor主从读取OSS文件认证机制
人工智能领域博客
11-28 1847
摘要： 本文详细解释了Spark Driver端与Worker端在OSS认证上的核心区别。Driver端通过Spark配置自动认证，而Worker端（独立Python进程）需显式提供认证信息。认证来源优先级为：1)Driver传递参数，2)环境变量，3)IAM角色。文章分析了架构差异导致的不同认证方式，并推荐从Driver传递认证信息的解决方案。当前实现已采用该方案，通过Spark配置或环境变量获取认证后传递给Worker进程，确保PyArrow能正确访问OSS数据。
VQ-Diffusion：文本到图像的双向生成利器
文本到图像合成是计算机视觉领域的重要分支，近年来受到Transformer架构在NLP领域的巨大影响，使得人们试图将这些成功的语言模型应用于视觉生成任务。其中，自回归（AR）模型，如DALL-E所采用的策略，已经成为这一...
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
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