⚠️ 以下所有内容总结都来自于 大语言模型的能力，如有错误，仅供参考，谨慎使用
🔴 请注意：千万不要用于严肃的学术场景，只能用于论文阅读前的初筛！
💗 如果您觉得我们的项目对您有帮助 ChatPaperFree ，还请您给我们一些鼓励！⭐️ HuggingFace免费体验
2025-03-09 更新
Generating Novel Brain Morphology by Deforming Learned Templates
Authors:Alan Q. Wang, Fangrui Huang, Bailey Trang, Wei Peng, Mohammad Abbasi, Kilian Pohl, Mert Sabuncu, Ehsan Adeli
Designing generative models for 3D structural brain MRI that synthesize morphologically-plausible and attribute-specific (e.g., age, sex, disease state) samples is an active area of research. Existing approaches based on frameworks like GANs or diffusion models synthesize the image directly, which may limit their ability to capture intricate morphological details. In this work, we propose a 3D brain MRI generation method based on state-of-the-art latent diffusion models (LDMs), called MorphLDM, that generates novel images by applying synthesized deformation fields to a learned template. Instead of using a reconstruction-based autoencoder (as in a typical LDM), our encoder outputs a latent embedding derived from both an image and a learned template that is itself the output of a template decoder; this latent is passed to a deformation field decoder, whose output is applied to the learned template. A registration loss is minimized between the original image and the deformed template with respect to the encoder and both decoders. Empirically, our approach outperforms generative baselines on metrics spanning image diversity, adherence with respect to input conditions, and voxel-based morphometry. Our code is available at https://github.com/alanqrwang/morphldm.
设计针对3D结构性脑MRI的生成模型，以合成形态上合理且具有特定属性（例如年龄、性别、疾病状态）的样本，是一个研究活跃领域。现有基于GAN或扩散模型等框架的方法直接合成图像，这可能限制了它们捕捉复杂形态细节的能力。在这项工作中，我们提出了一种基于最新潜在扩散模型（LDM）的3D脑MRI生成方法，称为MorphLDM。它通过应用合成变形场到一个学习到的模板来生成新图像。我们的编码器不输出基于重建的自编码器（如典型的LDM），而是输出一个由图像和学习到的模板共同派生的潜在嵌入，该模板本身就是模板解码器的输出；这个潜在因素被传递给变形场解码器，其输出被应用到学习到的模板上。通过最小化原始图像和变形模板之间的注册损失，关于编码器和两个解码器的损失都会被优化。从实证角度看，我们的方法在图像多样性、对输入条件的遵循以及基于体素的形态测量等指标上的表现都超过了生成基线。我们的代码可在https://github.com/alanqrwang/morphldm找到。
论文及项目相关链接
Summary
在生成模型设计领域，针对3D结构脑MRI的研究活跃。本研究提出了一种基于最新潜在扩散模型（LDM）的Brain MRI生成方法，名为MorphLDM。该方法通过应用合成变形场到学习模板来生成新图像，而非直接合成图像。这种方法通过最小化原始图像与变形模板之间的注册损失，优化图像多样性、符合输入条件等评价指标。相关代码可在特定链接下载。
Key Takeaways
- 研究集中于设计针对3D结构脑MRI的生成模型。
- 存在的方法如GANs或扩散模型直接合成图像，可能无法捕捉精细的形态细节。
- 本研究提出了一种基于潜在扩散模型（LDM）的Brain MRI生成方法，名为MorphLDM。
- MorphLDM使用合成变形场来生成新图像，而非直接合成图像。
- 该方法优化了图像多样性、符合输入条件等评价指标。
- 注册损失最小化确保了原始图像与变形模板之间的相似性。
点此查看论文截图
