皮层表面扩散生成模型
内容提要
该文综述多项脑影像生成研究：BrainDiVE结合扩散模型与fMRI合成预测脑区激活图像；CMVDM、BrainNetDiff等从fMRI重建视觉图像或脑网络；CorticalFlow、Vox2Cortex-Flow实现皮层表面重建；另有研究探索面部图像生成审核及医学图像分割的不确定性估计。
延伸解读
扩散模型在脑影像生成中的多任务应用
文章综述的研究显示，扩散模型已从自然图像生成扩展到脑影像领域，涵盖fMRI到图像重建、脑网络生成、皮层表面重建及医学图像分割等多个任务。这些工作表明，扩散模型不仅能处理二维图像，还能适应三维表面和网络结构，为神经影像分析提供了统一的生成框架。
皮层表面重建的技术路线与临床潜力
CorticalFlow、Vox2Cortex-Flow和一项临床脑MRI皮层重建研究代表了皮层表面重建的不同技术路线。它们分别利用几何深度学习和深度网格变形，实现从MRI扫描到皮层表面的高精度重建，并支持皮层厚度估计和群体分析。这些方法在临床诊断和脑形态学研究中有潜在应用价值。
生成模型的可解释性与不确定性估计
文章提到面部图像生成审核框架和医学图像分割的不确定性估计，反映了生成模型在真实应用中的两个关键问题：生成结果的可靠性和可解释性。前者通过分析训练数据选择对模型性能的影响，后者利用生成性质估计分割不确定性，为高风险场景下的模型部署提供了思路。
Q&A
BrainDiVE 是什么？它有什么作用？
BrainDiVE（Brain Diffusion for Visual Exploration）是一种结合大规模扩散模型和脑图像合成的方法，能够从自然图像和功能磁共振成像（fMRI）数据中合成预测激活给定脑区域的图像，并已应用于人类视觉皮层的细粒度功能组织研究及假设驱动方法。
CMVDM 如何从 fMRI 数据重建视觉图像？
CMVDM（Controllable Mind Visual Diffusion Model）利用属性对齐和辅助网络从 fMRI 数据中提取语义和轮廓信息，并利用控制模型对提取的信息进行图像合成，在定性和定量上均优于其他现有方法。
CorticalFlow 和 Vox2Cortex-Flow 在皮层表面重建中有什么特点？
CorticalFlow 是一种几何深度学习模型，用于 3D 图像到目标物体的畸变，具有小 GPU 内存占用、生成数十万个顶点的表面及降低拓扑级别错误的特点，在大脑皮层表面重建中表现卓越。Vox2Cortex-Flow 是一种深度网格变形技术，通过学习从大脑模板到 MRI 扫描的皮层表面变形场，实现皮层表面重建，并能与白质和脑膜表面共同建模，达到最先进的重建精度，并提供皮层厚度的分区和群体分析所需的一致对应关系。
BrainNetDiff 如何生成大脑网络？
BrainNetDiff 结合多头变换器编码器从 fMRI 时间序列中提取相关特征，并结合条件潜在扩散模型进行大脑网络生成，从图像到图形的融合，显著提高了大脑网络生成的准确性和稳定性，验证了其在构建健康和神经学受损队列中的适用性，并在下游疾病分类任务中表现出显著效果。
生成模型在面部图像生成中有哪些限制？
根据研究，生成模型在面部图像生成中的限制包括对文本提示的忠实度不足、人口统计不平衡和分布偏移。该研究还提出了一个框架来审核生成的面部图像的特征，并分析训练数据选择如何影响生成模型的性能。
如何利用扩散模型进行医学图像分割并估计不确定性？
研究提出了一种基于条件得分的生成建模框架，用于医学图像分割，该框架依赖于分割掩模的参数化表面表示。实验结果表明，该模型在分割准确度方面表现出色，并且由于其生成性质，还能够估计分割的不确定性以进行进一步的分析。
