Proceedings of SPIE--the International Society for Optical Engineering · 2025

Бидирекция MS Lesion Flapping и Smiling с использованием Denoizing Difflusion Имплицитная модель Репайнтинг.

СтатьяНазвание и аннотация: Машинный перевод · не проверен

Обработка статьи · этапы, ошибки и управление

Загрузка состояния…

История · было → стало

Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.

Zhang Jinwei, Zuo Lianrui, Liu Yihao, Remedios Samuel, Landman Bennett A, Prince Jerry L, Carass Aaron

Аннотация

Для изучения людей с множественным склерозом (PwMS) широко используются трубопроводы автоматической обработки изображений магнитного резонанса (MR), охватывающие такие задачи, как сегментация повреждений и отсечение мозга. Однако наличие повреждений часто осложняет эти анализы, особенно при переплетении мозга. Для смягчения этой проблемы обычно используется наполнение лизионов, однако существующие алгоритмы наполнение повреждений часто не позволяют точно реконструировать реалистичные безвредные изображения, которые имеют жизненно важное значение для последовательного анализа ниже по течению. Кроме того, эффективность алгоритмов сегментации повреждений часто ограничивается недостаточным объемом данных, при этом в качестве учебных знаков используются обозначения повреждений. В настоящем документе мы предлагаем новый подход, позволяющий использовать модели Denoising Difflusion Impliciit Models (DDIMs) для заполнения и синтеза MS-повреждений на основе изображения. Наша модифицированная архитектура DDIM, после обучения, позволяет как поражать MS, так и синтезировать поврежденные ткани. В частности, он может генерировать без повреждений Т1 взвешенные или FLAIR изображения из тех, которые содержат повреждения; или он может добавлять повреждения в взвешенные Т1 или FLAIR изображения здоровых субъектов. Первая из них имеет важное значение для анализа на низовом уровне, который требует не поврежденных изображений, в то время как вторая имеет важное значение для расширения учебных наборов данных для решения задач, связанных с сегментацией повреждений. Мы подтверждаем наш подход с помощью первоначальных экспериментов в настоящем документе и демонстрируем многообещающие результаты как в нанесении повреждений, так и в синтезе, открывая путь для будущей работы.

Оригинал публикации

Bi-Directional MS Lesion Filling and Synthesis Using Denoising Diffusion Implicit Model-based Lesion Repainting.

Automatic magnetic resonance (MR) image processing pipelines are widely used to study people with multiple sclerosis (PwMS), encompassing tasks such as lesion segmentation and brain parcellation. However, the presence of lesion often complicates these analyses, particularly in brain parcellation. Lesion filling is commonly used to mitigate this issue, but existing lesion filling algorithms often fall short in accurately reconstructing realistic lesion-free images, which are vital for consistent downstream analysis. Additionally, the performance of lesion segmentation algorithms is often limited by insufficient data with lesion delineations as the training labels. In this paper, we propose a novel approach leveraging Denoising Diffusion Implicit Models (DDIMs) for both MS lesion filling and synthesis based on image inpainting. Our modified DDIM architecture, once trained, enables both MS lesion filing and synthesis of lesioned tissues. Specifically, it can generate lesion-free T1-weighted or FLAIR images from those containing lesions; Or it can add lesions to T1-weighted or FLAIR images of healthy subjects. The former is essential for downstream analyses that require lesion-free images, while the latter is valuable for augmenting training datasets for lesion segmentation tasks. We validate our approach through initial experiments in this paper and demonstrate promising results in both lesion filling and synthesis, paving the way for future work.

Бидирекция MS Lesion Flapping и Smiling с использованием Denoizing Difflusion Имплицитная модель Репайнтинг.

Ошибки и ограничения

Аннотация

Bi-Directional MS Lesion Filling and Synthesis Using Denoising Diffusion Implicit Model-based Lesion Repainting.