医学影像中的物理启发生成模型综述
内容提要
该研究提出了一种基于物理过程的生成模型家族（GenPhys），旨在扩展生成模型设计空间。通过引入约束条件，提高生成样本与约束的一致性，防止过拟合。研究还探讨了扩散概率模型在磁共振成像、图像去噪及医学图像合成中的应用，展示了其在生物医学领域的潜力。
延伸解读
物理约束如何提升生成模型可靠性
文章指出，GenPhys 家族通过将物理偏微分方程转化为生成模型，并在训练中施加约束，使生成样本更符合物理规律。这种方法不仅能提高样本与约束的一致性，还能自然防止过拟合，且不影响推断速度。对于医学影像等对物理保真度要求高的领域，这种设计思路有助于生成更可信的数据。
扩散模型在医学影像中的多场景应用
综述覆盖了扩散概率模型在 MRI 重建、异常检测、低剂量 CT 去噪、超声图像生成、扩散磁共振成像以及乳腺 X 线合成等任务。其中，结合 Poisson 流一致性模型的方法在低剂量 CT 去噪上优于当前最优扩散模型，且函数评估次数大幅减少。这些案例表明扩散模型正从自然图像向专业医学影像渗透。
合成数据应对医学数据稀缺与隐私
针对医学影像标注数据有限、采集不一致和隐私敏感等问题，文章介绍了 Med-DDPM 用于语义 3D 医学图像合成，以及 BVDM 生成细胞显微视频以提升分割和跟踪性能。此外，MAM-E 管道通过文本提示控制生成乳腺 X 线照片中的合成病变。这些工作显示生成模型可作为数据增强和隐私保护的工具。
Q&A
GenPhys生成模型的主要目标是什么？
GenPhys生成模型旨在扩展生成模型的设计空间，通过引入物理过程的约束条件提高生成样本的一致性。
扩散概率模型在医学影像中有哪些应用？
扩散概率模型在医学影像中应用于磁共振成像的重建、异常检测、图像去噪及医学图像合成等方面。
如何改善超声图像的生成质量？
通过引入专门为超声成像设计的基于物理扩散模型的方法，可以改善生成超声图像的质量。
Med-DDPM解决了哪些医学成像问题？
Med-DDPM解决了医学成像中的数据稀缺、不一致的采集方法和隐私问题。
生物医学视频扩散模型（BVDM）有什么优势？
BVDM能够生成逼真的细胞显微视频，并通过大规模合成数据集提高细胞分割和跟踪模型的性能。
MAM-E生成模型管道的功能是什么？
MAM-E生成模型管道能够在乳房特定区域生成合成病变，并提供对生成图像的定量和定性评估。
