专做衬衣的网站wordpress是哪家公司的建站程序

专做衬衣的网站,wordpress是哪家公司的建站程序,qq是哪个公司旗下的游戏,soho网站建设2026.2.27 本研究提出一种基于条件去噪扩散概率模型生成合成2D MRI投影的中间策略#xff0c;通过预训练2D模型并结合ACS卷积扩展至3D#xff0c;在小规模真实数据上显著提升阿尔茨海默病诊断准确性#xff0c;有效弥补了医疗影像领域数据稀缺和现有迁移学习方法的不足。 T…2026.2.27本研究提出一种基于条件去噪扩散概率模型生成合成2D MRI投影的中间策略通过预训练2D模型并结合ACS卷积扩展至3D在小规模真实数据上显著提升阿尔茨海默病诊断准确性有效弥补了医疗影像领域数据稀缺和现有迁移学习方法的不足。Title题目01Generating synthetic MRI scans for improving Alzheimer’s disease diagnosis生成合成MRI扫描以改进阿尔茨海默病诊断文献速递介绍02阿尔茨海默病AD是全球影响数百万人的进行性神经退行性疾病MRI结合机器学习ML已被证明是其诊断的有力工具。然而由于医学数据集通常小规模且异质导致ML模型在实际临床应用中表现受限。为了应对这一挑战目前主要有两种方法一是开发需要大量数据的通用化模型但在医疗领域数据获取困难且计算成本高昂二是采用迁移学习TL通过在相关任务上预训练模型并在特定医院数据上微调。虽然在2D自然图像上预训练的模型结合轴位、冠状位和矢状位ACS卷积能改善性能但与直接在3D MRI数据上预训练相比仍有差距。本研究旨在通过引入一种基于合成医学图像生成的中间策略来弥补这一差距即提出一种条件去噪扩散概率模型DDPM生成2D MRI投影用于预训练2D模型再通过ACS卷积扩展至3D并在小规模真实数据集上进行AD诊断微调。主要贡献包括基于条件扩散的生成、面向诊断的合成数据集、低资源环境下的AD诊断微调以及详细的消融研究。Aastract摘要02阿尔茨海默病AD是一种进行性神经退行性疾病也是痴呆症的主要原因。磁共振成像MRI结合机器学习ML能够实现早期诊断但ML模型在小规模、异质性医疗数据集上训练时往往表现不佳。迁移学习TL有助于缓解这一局限性然而在2D自然图像上预训练的模型仍然不如直接在相关3D MRI数据上训练的模型。为了弥补这一差距我们引入了一种基于合成数据生成的中间策略。具体而言我们提出了一种条件去噪扩散概率模型DDPM用于合成三种临床组认知正常CN、轻度认知障碍MCI和AD的脑部MRI扫描的2D投影轴位、冠状位、矢状位。总共9000张合成图像被用于2D模型的预训练这些模型随后通过轴位、冠状位和矢状位卷积扩展到3D并在真实小数据集上进行微调。我们的方法在3T ADNI数据集上的二分类CN vs. AD任务中实现了91.3%的准确率在三分类CN/MCI/AD任务中实现了74.5%的准确率优于从零开始训练的模型以及在ImageNet上预训练的模型。我们的2D ADnet模型在OASIS-2数据集上达到了最先进的性能59.3%的准确率57.6%的F1分数超越了所有竞争模型证实了合成数据预训练的鲁棒性。这些结果表明基于合成扩散模型的预训练是连接自然图像迁移学习与医学MRI数据之间有前景的桥梁。Method方法03本研究提出了一种基于合成MRI数据的生成式迁移学习管道用于AD诊断。首先使用来自ADNI 1.5T和AIBL数据集的MRI扫描训练一个类别条件DDPM生成2D MRI切片。DDPM采用U-Net架构通过平方余弦噪声调度、Adam优化器以及FID和KID分数进行性能评估并评估了模型的记忆化问题。训练后为每个临床组和投影平面生成了1000张2D MRI切片。其次这些合成切片用于预训练多个2D架构2D ADnet、ResNet18和ResNet101这些模型被训练来预测2D MRI扫描的投影平面。其中ResNet模型还进行了ImageNet与合成数据相结合的两阶段预训练。然后通过ACS卷积将这些2D模型转换为3D模型。最后这些3D模型在3T ADNI和OASIS-2数据集上进行微调以执行CN/AD二分类、CN/MCI/AD三分类和ND/C/D分类任务。为了评估预训练和微调数据集大小对模型性能的影响还进行了两项消融研究并与LVM-Med和ViT等竞争模型进行了比较。Discussion讨论04本研究选择生成2D平面投影而非完整3D MRI体积是基于计算资源限制和现有高质量3D医疗数据集稀缺的实际考量。2D图像生成允许更快速的实验和更高质量的合成。尽管这导致部分体积和空间连续性信息丢失但通过多个正交投影和ACS卷积策略部分弥补了这一问题。实验结果表明本方法有效且优于ImageNet预训练及SOTA模型在ADNI数据集上实现了高诊断准确率。ADnet模型在有限数据集上表现尤为突出甚至优于ResNet架构。在OASIS-2数据集上虽然性能有所下降但这是由于任务复杂性、类别不平衡以及跨队列域偏移所致。即便如此本研究提出的合成预训练策略仍比其他竞争方法更有效地缓解了这些影响。这表明即使存在域偏移挑战利用更接近AD影像分布的预训练数据也能产生更具可迁移性和判别性的表示。本研究还提供了一个可用于其他类似医学影像场景的预训练医学模型具有重要应用价值。Conclusion结论05本研究提出了一种利用合成MRI数据生成来解决真实MRI数据可用性限制的新方法。它采用条件去噪扩散概率模型生成9000张2D MRI扫描涵盖不同的脑部视图和AD阶段。这些合成图像用于预训练2D模型随后通过ACS卷积适应到3D。这一流程——合成图像生成、2D到3D模型转换和微调——在AD诊断中实现了高准确率为医学影像领域的机器学习提供了一个可扩展且数据高效的解决方案。未来的工作方向包括生成3D合成MRI体积探索混合2D-3D生成框架整合临床约束以提高合成图像的标签保真度和诊断真实性以及在更多大规模3D数据集上进行域特定预训练进一步评估不同自监督预训练策略在AD诊断背景下的权衡并将其专业化应用于帕金森病、多发性硬化症或脑肿瘤等其他神经系统疾病的跨疾病泛化。Results结果06本研究首先通过定性图2和定量表1、表2分析评估了合成MRI图像的质量。结果显示合成图像具有高真实感且记忆化问题不明显最高相关性0.79甚至低于AIBL与真实ADNI数据集之间的相关性0.8。在AD诊断任务中在3T ADNI数据集上基于合成数据预训练的2D ADnet模型在CN/AD二分类任务中取得了91.3%的准确率优于基线模型28.8个百分点并比最先进方法高8.8个百分点。在CN/MCI/AD三分类任务中2D ADnet达到了74.5%的准确率和74.2%的F1分数同样显著优于基线模型和ImageNet预训练模型。值得注意的是使用合成数据预训练的模型性能与使用真实数据预训练的“Oracle”模型数据量是合成数据的四倍仅有0.3个百分点的差距。在OASIS-2数据集的ND/C/D分类任务中我们的最佳模型达到了59.3%的准确率和57.6%的F1分数超越了所有竞争模型。消融研究进一步表明合成数据预训练在不同数据集大小下均能保持稳定的高性能并且始终优于使用真实数据进行的预训练同时预训练的模型在不同微调数据集大小下都表现出更高的鲁棒性并持续优于从零开始训练的模型。Figure图07图1.提出的流程图轴位、冠状位和矢状位MRI生成橙色2D模型预训练和转换为3D粉色以及AD诊断的微调绿色。图2.真实左和生成右的MRI切片在三个解剖视图中的比较轴位顶部、冠状位中部和矢状位底部。图3.不同解剖视图中最高相关性分布的比较。每列对应一个特定的MRI视图轴位左、冠状位中和矢状位右。 上排合成图像与1.5T ADNI之间的相关性分布按诊断类别CN、MCI、AD分组。下排合成图像与1.5T ADNI图像蓝色以及AIBL与1.5T ADNI数据橙色之间的相关性比较。图4.不同解剖视图中最高相关性分布的比较合成图像顶行和最相关的真实图像底行。图5.最佳模型CN/AD左、CN/MCI/AD中和ND/C/D右分类的混淆矩阵。图6.不同预训练数据集大小下的AD诊断性能。使用真实绿色与合成橙色预训练数据时模型的准确率左和F1分数右。图7.不同数据集大小下CN/MCI/AD分类准确率的比较包括预训练蓝色和从零开始训练红色。