Beware of diffusion models for synthesizing medical images -- A comparison with GANs in terms of memorizing brain tumor images

解决问题：这篇论文试图比较扩散模型和生成对抗网络（GANs）在合成医学图像方面的表现，特别是在记忆脑肿瘤图像方面的表现。

关键思路：论文使用BRATS20和BRATS21数据集训练了StyleGAN和扩散模型，用于合成脑肿瘤图像，并测量了合成图像与所有训练图像之间的相关性。结果表明，扩散模型更有可能记忆训练图像，尤其是对于小数据集。因此，如果最终目标是共享合成图像，研究人员在使用扩散模型合成医学图像时应当谨慎。

其他亮点：论文指出了当前常用的评估指标（如FID和IS）并不适用于确定扩散模型是否仅仅是在复制训练图像。实验结果表明，扩散模型在合成医学图像方面的表现值得关注。

关于作者：Muhammad Usman Akbar、Wuhao Wang和Anders Eklund是本文的主要作者。根据我的数据库，Anders Eklund曾在一篇名为“Cluster failure”的论文中提出了一种新的脑成像数据分析方法，该方法被广泛应用于神经科学领域。

相关研究：最近的相关研究包括“Medical image synthesis using deep convolutional generative adversarial networks”（作者：Jingyang Zhang等，机构：南京大学）、“Synthesizing high-quality medical images for computer-aided diagnosis with generative adversarial networks”（作者：Yingjie Li等，机构：香港中文大学）等。

论文摘要：警惕使用扩散模型合成医学图像--与GAN相比，记忆脑肿瘤图像的能力 Muhammad Usman Akbar，Wuhao Wang，Anders Eklund 扩散模型最初是为了生成文本到图像而开发的，现在被用于生成高质量的合成图像。在GAN之前，扩散模型已经展示了令人印象深刻的结果，使用了各种评估指标。然而，常用的指标如FID和IS并不适用于确定扩散模型是否仅仅是在复制训练图像。

在这里，我们使用BRATS20和BRATS21数据集训练StyleGAN和扩散模型，合成脑肿瘤图像，并测量合成图像与所有训练图像之间的相关性。我们的结果表明，扩散模型更有可能记忆训练图像，特别是对于小数据集。如果最终目标是共享合成图像，研究人员在使用扩散模型进行医学成像时应该谨慎。

内容中包含的图片若涉及版权问题，请及时与我们联系删除