清晨好,您是今天最早来到科研通的研友!由于当前在线用户较少,发布求助请尽量完整的填写文献信息,科研通机器人24小时在线,伴您科研之路漫漫前行!

MedSyn: Text-guided Anatomy-aware Synthesis of High-Fidelity 3D CT Images

计算机科学 计算机视觉 人工智能 医学影像学 计算机断层摄影术 医学物理学 计算机图形学(图像) 解剖 放射科 医学
作者
Yanwu Xu,Li Sun,Wei Peng,Shuyue Jia,Katelyn Morrison,Adam Perer,Afrooz Zandifar,Shyam Visweswaran,Motahhare Eslami,Kayhan Batmanghelich
出处
期刊:IEEE Transactions on Medical Imaging [Institute of Electrical and Electronics Engineers]
卷期号:: 1-1 被引量:1
标识
DOI:10.1109/tmi.2024.3415032
摘要

This paper introduces an innovative methodology for producing high-quality 3D lung CT images guided by textual information. While diffusion-based generative models are increasingly used in medical imaging, current state-of-the-art approaches are limited to low-resolution outputs and underutilize radiology reports' abundant information. The radiology reports can enhance the generation process by providing additional guidance and offering fine-grained control over the synthesis of images. Nevertheless, expanding text-guided generation to high-resolution 3D images poses significant memory and anatomical detail-preserving challenges. Addressing the memory issue, we introduce a hierarchical scheme that uses a modified UNet architecture. We start by synthesizing low-resolution images conditioned on the text, serving as a foundation for subsequent generators for complete volumetric data. To ensure the anatomical plausibility of the generated samples, we provide further guidance by generating vascular, airway, and lobular segmentation masks in conjunction with the CT images. The model demonstrates the capability to use textual input and segmentation tasks to generate synthesized images. Algorithmic comparative assessments and blind evaluations conducted by 10 board-certified radiologists indicate that our approach exhibits superior performance compared to the most advanced models based on GAN and diffusion techniques, especially in accurately retaining crucial anatomical features such as fissure lines and airways. This innovation introduces novel possibilities. This study focuses on two main objectives: (1) the development of a method for creating images based on textual prompts and anatomical components, and (2) the capability to generate new images conditioning on anatomical elements. The advancements in image generation can be applied to enhance numerous downstream tasks.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
4秒前
33秒前
52秒前
科研通AI2S应助帮帮我好吗采纳,获得10
57秒前
彭于晏应助木木三采纳,获得10
1分钟前
小羊咩完成签到 ,获得积分10
1分钟前
席江海完成签到,获得积分10
1分钟前
1分钟前
1分钟前
科研通AI2S应助帮帮我好吗采纳,获得10
1分钟前
1分钟前
1分钟前
木木三发布了新的文献求助10
1分钟前
桐桐应助科研通管家采纳,获得20
1分钟前
英俊的铭应助帮帮我好吗采纳,获得10
2分钟前
wenbo完成签到,获得积分10
2分钟前
2分钟前
qiao发布了新的文献求助10
2分钟前
chenying完成签到 ,获得积分0
2分钟前
大咖完成签到 ,获得积分10
2分钟前
qiao完成签到,获得积分10
2分钟前
fantw完成签到,获得积分10
2分钟前
zhao完成签到,获得积分10
2分钟前
2分钟前
小二郎应助木木三采纳,获得10
2分钟前
2分钟前
Drwenlu发布了新的文献求助10
2分钟前
木木三发布了新的文献求助10
2分钟前
沙海沉戈完成签到,获得积分0
3分钟前
木木三完成签到,获得积分20
3分钟前
3分钟前
研友_Z119gZ完成签到 ,获得积分10
3分钟前
theo完成签到 ,获得积分10
3分钟前
Science完成签到,获得积分10
3分钟前
可爱的函函应助颖宝老公采纳,获得10
3分钟前
深情安青应助科研通管家采纳,获得10
3分钟前
李志全完成签到 ,获得积分10
4分钟前
5分钟前
5分钟前
颖宝老公发布了新的文献求助10
5分钟前
高分求助中
Sustainability in Tides Chemistry 2800
The Young builders of New china : the visit of the delegation of the WFDY to the Chinese People's Republic 1000
Rechtsphilosophie 1000
Bayesian Models of Cognition:Reverse Engineering the Mind 888
Defense against predation 800
Very-high-order BVD Schemes Using β-variable THINC Method 568
Chen Hansheng: China’s Last Romantic Revolutionary 500
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3137034
求助须知:如何正确求助?哪些是违规求助? 2788014
关于积分的说明 7784270
捐赠科研通 2444088
什么是DOI,文献DOI怎么找? 1299724
科研通“疑难数据库(出版商)”最低求助积分说明 625522
版权声明 600999