80 search results for "异常检测"

近年来，由于生成式人工智能的最新进展，包括医学成像在内的多个领域取得了新的发展。这些生成式模型在异常检测、图像转换、去噪和磁共振成像（MRI）重建等各种用途上有着巨大的潜力。然而，这些模型因其复杂性而闻名，使得应用和复现变得困难。这种复杂性可能会降低进展速度，为用户设下障碍，并阻碍对新方法与已有方法进行比较评估。 为了使生成式模型的构建和部署更加简便和标准化，研究团队创建了一个名为MONAI Generative Models的开源平台。该团队包括来自伦敦国王学院、国家心理健康研究所、爱丁堡大学、巴塞尔大学、韩国科学技术高等研究院、NVIDIA、斯坦福大学、西奈山伊坎医学院和伦敦大学学院的研究人员。 为了证明该技术的有效性，讨论了五项涵盖医学成像相关主题的研究，从分布外检测到图像转换和超分辨率。该平台的适应性通过其在2D和3D场景中使用不同模态和解剖区域的能力得到展示，展示了它作为推动医学成像的新工具的潜力。五个实验如下： 提出的模型可以轻松调整以适应新环境，从而更全面地进行跨多种情况的比较，并扩大其初始范围。为了证明这一特性，研究人员评估了他们的软件包中最先进的模型之一——潜在扩散模型，以及它在包括具有不同体型和活动类型的受试者的各种数据集中生成新信息的能力。 潜在生成模型包括两个基本部分——压缩模型和生成模型，团队展示了这些模型的高度灵活性。 该系统使得在各种医学成像应用中使用生成式模型变得更加容易。研究团队证明了它们可以应用于检测超出正常范围的3D成像数据。 他们还使用稳定扩散2.0升频器方法研究了生成式模型在超分辨率方面的潜力。研究结果表明，生成式模型在超分辨率应用中非常有用，特别是在3D模型中。 团队还测试了他们的模型在超分辨率照片方面的性能。为此，他们将放大的测试集照片与相应的真实图像进行了比较。这些指标确认了该模型在提高图像清晰度方面的卓越超分辨率能力，证明了其效率。 未来，研究人员计划改进对其他应用（如MRI重建）的支持，并引入更多最新模型，以便更轻松地进行模型比较。由于这些发展，医学生成式模型及其应用领域将继续取得进展。