生成式AI会议
Simulation and Synthesis in Medical Imaging (SASHIMI)
是 MICCAI 下的一个workshop，主要收集图像转换、跨模态合成、超分辨等方面的论文。
在本文中，我将为大家整理近2年来的论文题目和摘要，以便让大家更好地了解生成式AI的研究热点。
2023论文合集
1. Transformers for CT Reconstruction from Monoplanar and Biplanar Radiographs
标题：根据单平面和双平面射线照片进行 CT 重建的Transformers
摘要:CT可提供人体内部结构的详细而准确的信息。它们是通过从不同方向发送 X 射线穿过人体，并将这些信息组合成一个三维体积而形成的。这些体积可用于诊断各种疾病，并对器官进行体积测量。在这项工作中，我们解决了仅从双平面 X 射线重建 CT 图像的问题。X 射线可广泛获取，即使在诊断环境中，根据这些射线照片重建的 CT 无法取代完整的 CT，但在获取 CT 仅用于粗略测量（如确定器官大小）的情况下，它可以使患者免受辐射。我们提出了一种基于transformer架构的新方法，将基本任务设定为语言翻译问题。首先使用两种不同的自动编码器网络将射线照片和 CT 图像嵌入潜在量化编码本向量。然后，我们训练一个 GPT 模型，以 X 光片的编码本向量为条件，重建 CT 图像的编码本向量，结果表明这种方法能生成逼真的图像。为了鼓励在这个方向上的进一步研究，我们在 GitHub 上公开了我们的代码：https://github.com/ FirasGit/transformers CT reconstruction。
2. Multi-phase Liver-Specific DCE-MRI Translation via A Registration-Guided GAN
标题：基于配准引导的GAN实现的多相肝脏特异性动态对比增强磁共振成像（DCE-MRI）转换
摘要：在肝脏病变的诊断中，肝胆期 Gd-EOB-DTPA 增强磁共振成像（GED-HBP）尤为重要。然而，GED-HBP 的采集成本高于传统的动态对比增强磁共振成像（DCE-MRI）。本文介绍了一个新的数据集，以及将多相 DCE-MRI 图像转换为虚拟 GED-HBP 图像（v-HBP）的新应用。这是通过GAN和一个辅助配准网络（简称为 MrGAN）来实现的。MrGAN 绕过了序列内错配和序列间错配带来的挑战。此外，MrGAN 还结合了预先训练的形状一致性网络，以促进肝脏区域的局部生成。广泛的实验证明，在定量、定性和临床评估方面，MrGAN 都优于其他最先进的方法。我们展望，由于生成图像质量的提高，我们的新数据集的实用性将扩展到病变检测以外的其他问题。代码见https://github.com/Jy-stdio/MrGAN.git
3. Learned Local Attention Maps
for Synthesising Vessel Segmentations from T2 MRI
标题：从T2磁共振成像中学习局部注意力图以合成血管分割（T2 MRI 合成大脑动脉环）
摘要：磁共振血管造影（MRA）是一种可视化血管的成像模式。它可用于多种诊断应用和评估出血性中风（由血管瘤破裂引起）等不良事件的风险。 然而，MRA 并非常规获取，因此，从更常规获取的磁共振对比（如 T1 和 T2）中合成血管分割的方法将非常有用。 我们提出了一种编码器-解码器模型，用于仅从 T2 MRI 合成威利斯环（CoW）内主要脑动脉的分段。 我们提出了一种两阶段多目标学习方法，可同时捕捉全局和局部特征。 它使用通过扩张分割标签生成的局部注意力图，迫使网络只从 T2 MRI 中提取与合成 CoW 相关的信息。 在测试中，我们仅从 T2 MRI 中生成的合成血管分割的平均 Dice 得分为 0.79 ± 0.03，与最先进的分割网络（如 transformer U-Net（0.71 ± 0.04）和 nnU-net（0.68 ± 0.05））相比，只使用了一小部分参数。 我们的合成血管分割与比较模型之间的主要质的区别在于 CoW 血管段的分辨率更清晰，尤其是在后循环。
4.TAI-GAN: Temporally and Anatomically Informed GAN for Early-to-Late Frame Conversion in Dynamic Cardiac PET Motion Correction
标题：TAI-GAN：用于动态心脏PET运动校正中早晚帧转换的时间和解剖信息 GAN
摘要：铷-82（82Rb）的快速示踪剂动力学和动态心脏正电子发射断层扫描（PET）中跨帧分布的高度变化给帧间运动校正带来了巨大挑战，尤其是在早期帧中，传统的基于强度的图像配准技术并不适用。因此，一种很有前途的方法是利用生成方法来处理示踪剂分布的变化，以辅助现有的配准方法。为了改进帧配准和参数量化，我们提出了一种时间和解剖信息生成对抗网络（TAI-GAN），利用全对一映射将早期帧转换为晚期参照帧。具体来说，特征线调制层对由时间示踪剂动力学信息生成的通道参数进行编码，而带有局部偏移的粗略心脏分割则作为解剖信息。我们在一个临床 82Rb PET 数据集上验证了我们提出的方法，发现我们的 TAI-GAN 可以生成图像质量很高的转换早期帧，可与真实参考帧相媲美。经过 TAI-GAN 转换后，运动估计的准确性和临床心肌血流（MBF）的定量与使用原始帧相比都有所提高。我们的代码发布在https://github.com/gxq1998/TAI-GAN
5. How Good Are Synthetic Medical Images? An Empirical Study with Lung Ultrasound
标题：合成医学图像有多好?肺超声的实证研究
摘要：获取大量数据和注释对开发高性能的深度学习模型非常有效，但在医疗保健领域却很难实现，而且成本高昂。使用生成模型添加合成训练数据提供了一种低成本方法，可有效应对数据稀缺的挑战，还能解决数据不平衡和患者隐私问题。在本研究中，我们提出了一个全面的框架，可无缝融入医学图像分析模型开发工作流程。我们利用不同规模的数据集展示了：(i) 生成模型作为数据扩增方法的优势；(ii) 对抗方法如何通过数据替代保护患者隐私；(iii) 通过在真实保留数据上测试模型，为这些用例提供新的性能指标。我们的研究表明，同时使用合成数据和真实数据进行训练的效果优于仅使用真实数据进行训练的效果，而且仅使用合成数据训练的模型接近仅使用真实数据训练的模型。代码见https://github.com/Global-Health-Labs/US-DCGAN
6. Unsupervised Liver Tumor Segmentation with Pseudo Anomaly Synthesis
标题：使用伪异常合成的无监督肝肿瘤分割
摘要：肝脏病变分割是一个具有挑战性的任务。肝脏病变通常呈现出各种形状和强度的区域异质性，而收集全面的监督学习数据集成本高昂。为了解决这个问题，本研究将无监督肝肿瘤分割定义为异常分割问题，并提出了一种使用合成异常伪监督分割的解决方案。在这方面，我们研究了两个基本但未被充分开发的问题：（1）如何生成异常？（2）如何解决合成数据和真实肿瘤样本之间的协变量移位问题？
对于第一个问题，我们建议生成覆盖更广泛范围的异常，以鼓励模型学习正常样本的簇边界，而不是制造逼近已知异常模式的异常。对于第二个问题，我们的理论支持轻量级合成数据训练以提高模型的泛化能力。基于这些洞察，本研究将随机形状的异常合成模块和两阶段训练策略纳入DRAEM结构进行无监督的肝肿瘤分割。在公共基准测试中，本方法在多个合成异常数据集上训练后，对真实肿瘤具有很好的泛化性能，并达到了与现有方法相当的性能水平。我们的代码可在此处获取：https://github.com/nono-zz/LiTs-Segmentation
7. Self-Supervised Super-Resolution for Anisotropic MR Images with and Without Slice Gap
标题：有无切片间隙的各向异性MRI图像的自监督超分辨率
摘要：为了减少扫描时间和运动伪影，同时提高信噪比，磁共振（MR）图像通常作为多层切片体积来获取。这些切片通常比其平面分辨率更厚，并且有时在切片之间存在间隙。这种厚切片图像体积（可能带有间隙）可能会影响体积分析和三维方法的准确性。虽然已经提出了许多超分辨率（SR）方法来处理厚切片，但很少有直接解决切片间隙情景的方法。此外，由于分辨率的变异性、采集对比度、病理学和解剖差异，数据驱动方法对领域偏移非常敏感。在这项工作中，我们提出了一种自监督超分辨率技术，用于处理具有和没有切片间隙的各向异性MR图像。我们与竞争方法进行了比较，并在两个开源数据集上验证了信号恢复和下游任务性能，在所有方面都显示出改进。我们的代码公开可用于https://gitlab.com/iacl/smore
想要以上所有的论文链接，关注本号并在后台回复
SASHIMI2023即可获取。文章持续更新，可以关注微公【医学图像人工智能实战营】获取最新动态，一个关注于医学图像处理领域前沿科技的公众号。坚持以实践为主，手把手带你做项目，打比赛，写论文。凡原创文章皆提供理论讲解，实验代码，实验数据。只有实践才能成长的更快，关注我们，一起学习进步~
我是Tina, 我们下篇博客见~
白天工作晚上写文，呕心沥血
觉得写的不错的话最后，求点赞，评论，收藏。或者一键三连
