Anatomically-Controllable Medical Image Generation with Segmentation-Guided Diffusion Models

扩散模型实现了高质量的医学图像生成，有助于通过补充小型或不平衡的数据集等方式降低获取和注释新图像的费用，同时还有其他应用。然而，这些模型在生成图像时往往难以保证全局解剖真实性。因此，我们提出了一种用于解剖控制医学图像生成的扩散模型。我们的模型在每个采样步骤中遵循多类解剖分割掩模，并采用“随机掩模消融”训练算法，以实现对所选解剖约束组合的条件控制，同时在其他解剖区域具有灵活性。这也提高了网络对完全无条件（不受限制的生成）情况下解剖真实性的学习。针对乳腺MRI和腹部/颈到盆腔CT数据集的比较评估表明，我们的模型在解剖真实性和输入掩模忠实度方面优于现有的先进模型。我们还提供了一个易于使用的代码库，并发布了一个生成的配对乳腺MRI数据集。我们的方法有助于实现多种应用，包括预注册图像生成、反事实情景等。

提高医学图像生成的全局解剖逼真度

使用扩散模型进行解剖控制的医学图像生成

使用多类解剖分割掩膜进行采样，使用随机掩膜消融算法进行训练，提高全局解剖逼真度；在乳腺MRI和腹部/颈到骨盆CT数据集上，相比现有模型，生成图像的解剖逼真度更高；提供开源代码和数据集

最近的相关研究包括：Progressive Growing of GANs for Improved Quality, Stability, and Variation；High-Fidelity Medical Image Generation Using Deep Learning with Conditional Wasserstein Generative Adversarial Networks