Diff-Def: Diffusion-Generated Deformation Fields for Conditional Atlases

解剖图谱被广泛用于人群分析。条件图谱针对通过某些条件（例如人口统计或病理学）定义的特定亚人群，允许研究细粒度解剖差异，例如与年龄相关的形态学变化。现有方法使用基于配准的方法来处理无法处理大的解剖变化或生成模型，后者可能会受到训练不稳定性和幻觉的影响。为了克服这些限制，我们使用潜在扩散模型来生成变形场，将一般人群图谱转换为代表特定亚人群的图谱。通过生成变形场并将条件图谱注册到图像的邻域中，我们确保了结构合理性并避免了直接图像合成中可能发生的幻觉。在使用来自英国生物库的5000个脑部和全身MR图像的实验中，我们将我们的方法与几种最先进的图谱生成方法进行了比较。我们的方法生成高度逼真的图谱，具有平滑的变换和高度的解剖保真度，优于基准。

使用条件解剖图谱进行人口分析时，现有方法要么无法处理大的解剖变化，要么容易产生训练不稳定和幻觉。因此，本文提出了一种使用潜在扩散模型生成变形场的方法，以生成高度逼真的解剖图谱。

本文提出的方法使用潜在扩散模型生成变形场，将一般人口图谱转化为特定的亚人口图谱，以生成高度逼真的解剖图谱，并避免了直接图像合成中的幻觉问题。

本文使用了5000张来自UK Biobank的脑部和全身MR图像进行实验，并与其他先进的图谱生成方法进行了比较。实验结果表明，本文提出的方法生成的解剖图谱具有高度逼真的变形和高解剖保真度，优于基线方法。

在相关研究方面，最近还有一些使用条件图谱的研究，例如“Conditional Variational Autoencoder for Medical Image Analysis”和“Conditional Generative Adversarial Networks for Brain Tumor Segmentation”。