.png){kind=icon}
返回
Cycle Diffusion Model for Counterfactual Image Generation
.png){kind=icon}
PRE
AI
DOI：10.1007/978-3-032-07904-6_16.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
深度生成模型在医学图像合成中已展现出显著成功。然而，确保条件忠实性和高质量合成图像以用于直接或反事实生成仍是一项挑战。在本研究中，我们引入了一种循环训练框架，用于微调扩散模型以改善条件依从性和增强合成图像的真实感。我们的方法，循环扩散模型（CDM），通过引入循环约束来强制生成图像与原始图像之间的一致性，从而实现更可靠的直接和反事实生成。在结合了3D脑部MRI数据集（来自ABCD、HCP老龄化与年轻成人、ADNI和PPMI）的实验表明，我们的方法提高了条件准确性，并通过FID和SSIM指标提升了图像质量。结果表明，CDM中使用的循环策略可以是一种有效的用于精炼基于扩散的医学图像生成的方法，具有在数据增强、反事实和疾病进展建模中的应用前景。
Keyword:
Counterfactual Generation
Neuroimaging
Generative Model
期刊
P
IF:
0
论文数:
20
被引数:
0
机构
引用论文
.png){kind=icon}
Enhancing Spatiotemporal Disease Progression Models via Latent Diffusion and Prior Knowledge通过潜在扩散和先验知识增强时空疾病进展模型
PREAI
分享收藏
Unpaired Image-to-Image Translation Using Cycle-Consistent Adversarial Networks使用循环一致的对抗网络进行不成对的图像到图像的翻译
OAAI
OAAI分享收藏
查看更多内容