.png){kind=icon}
返回
MeMGB-Diff: Memory-Efficient Multivariate Gaussian Bias Diffusion Model for 3D bias field correction
.png){kind=icon}
PRE
AI
DOI：10.1016/j.media.2025.103560.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
偏倚场不可避免地会降低MRI图像质量，严重干扰医师进行准确分析，因此去除偏倚场是一项关键性的图像分析任务。生成模型（如GANs）被用于偏倚场校正，其性能优于传统方法，然而却受到数据标注成本高昂和训练过程中不稳定性的限制。近来，基于扩散的方法在许多应用中表现出色，优于GANs，它们在去除图像噪声方面功能强大，而偏倚场可被视为一种平滑噪声。然而，由于采样效率低下、计算需求巨大以及隐式校正过程，直接将其应用于3D偏倚场校正是一项挑战。我们提出了一种内存高效的多元高斯偏倚扩散模型（MeMGB-Diff），这是一种显式、采样和内存均高效的扩散模型，用于无临床标签的3D偏倚场校正。MeMGB-Diff将扩散模型扩展到多元高斯，并将偏倚场建模为多元高斯变量，允许在不引入高斯噪声的情况下直接对3D偏倚场进行扩散和去除。为提高内存效率，MeMGB-Diff利用偏倚场相邻体素间的高度相关性，在微小精度损失的前提下，在较小的可读图像域内执行扩散模型。我们还提出了一种损失函数以主要学习强度趋势，该趋势主要导致MRI不均匀性，并有效提升校正精度。为进行全面的性能比较，我们提出了一种在测试阶段生成更多样化偏倚场的方法。在合成数据与临床数据上的定量和定性评估证实了本方法结果的高保真度和均匀强度。MeMGB-Diff将数据尺寸缩小64倍以减少内存使用，相比其他扩散基方法将采样效率提升10倍以上，并在不同组织的SSIM、PSNR、COCO和CV等指标上达到最优。因此，我们的MeMGB-Diff是3D偏倚场校正领域的最新技术水平（SOTA）方法。
Keyword:
Diffusion model
Bias field correction
MRI
期刊
IF:
11.8
论文数:
3.8K
被引数:
2.4W
机构
暂无机构信息
引用论文
UNesT: Local spatial representation learning with hierarchical transformer for efficient medical segmentation.png)
MEDICAL IMAGE ANALYSIS
OAAI
MEDICAL IMAGE ANALYSISIF11.8
OAAI分享收藏A nonparametric method for automatic correction of intensity nonuniformity in MRI dataMRI数据强度非均匀性自动校正的非参数方法OAAI
OAAI分享收藏A deep learning model integrating FCNNs and CRFs for brain tumor segmentation融合fcnn和CRFs的深度学习脑肿瘤分割模型MEDICAL IMAGE ANALYSIS
OAAI
MEDICAL IMAGE ANALYSISIF11.8
OAAI分享收藏MRtrix3: A fast, flexible and open software framework for medical image processing and visualisationMRtrix3: 用于医学图像处理和可视化的快速、灵活和开放的软件框架NeuroImageOAAI
NeuroImageIF0
OAAI分享收藏
查看更多内容