Deformation-Recovery Diffusion Model (DRDM): Instance Deformation for Image Manipulation and Synthesis

在医学影像学中，扩散模型在合成图像生成任务中展现出了巨大的潜力。然而，这些模型经常难以解释生成图像与现有图像之间的联系，可能会产生错觉。为了解决这些挑战，我们的研究提出了一种基于变形扩散和恢复的新型扩散生成模型。这个模型被命名为Deformation-Recovery Diffusion Model (DRDM)，它与传统的基于得分/强度和潜在特征的方法不同，强调通过变形场实现形态学变化而不是直接图像合成。这是通过引入一种保持拓扑的变形场生成方法实现的，该方法随机采样和集成一组多尺度的变形向量场（DVF）。DRDM被训练学习恢复不合理的变形组件，从而将每个随机变形的图像恢复到现实分布。这些创新有助于生成多样化和解剖学合理的变形，增强了数据增强和合成，以进行下游任务的进一步分析，例如少样本学习和图像配准。在心脏MRI和肺部CT方面的实验结果表明，DRDM能够创建多样化、大规模（超过10%的图像尺度变形）和高质量（折叠率的负值比率低于1%）的变形场。在下游任务的进一步实验结果中，2D图像分割和3D图像配准表明DRDM带来了显著的改进，展示了我们的模型在医学影像学和其他领域中推进图像操作和合成的潜力。我们的实现将在https://github.com/jianqingzheng/def_diff_rec上提供。

本论文试图解决在医学图像合成中，传统的扩散模型难以生成可解释的图像，并且可能会产生幻觉的问题。

本论文提出了一种基于变形扩散和恢复的新型扩散生成模型，名为DRDM。该模型通过引入保持拓扑的变形场生成方法，强调形态学变化而非直接图像合成。通过训练学习恢复不合理的变形部分，从而将每个随机变形的图像恢复到真实分布。

本论文的创新点在于引入了保持拓扑的变形场生成方法，增强了数据增强和合成的能力；实验结果表明DRDM能够生成多样性、解剖学合理的变形场，并在下游任务中取得了显著的改进。

最近在相关领域的研究包括：Variational Autoencoder、Generative Adversarial Network、Diffusion Probabilistic Models等。