Physics-Inspired Generative Models in Medical Imaging: A Review

要約

物理学にインスピレーションを得た生成モデル、特に拡散モデルとポアソン流モデルは、ベイジアン手法を強化し、医療画像処理における大きな有用性を約束します。
このレビューでは、そのような生成手法の変革的な役割を検討します。
まず、ノイズ除去拡散確率モデル (DDPM)、スコアベースの拡散モデル、ポアソン流生成モデル (PFGM および PFGM++) など、物理学にヒントを得たさまざまな生成モデルを再検討し、その精度と堅牢性にも重点を置きます。
加速として。
次に、画像再構成、画像生成、画像分析を含む、医療画像処理における物理学にヒントを得た生成モデルの主な応用例を紹介します。
最後に、物理学にヒントを得た生成モデルの統合、視覚言語モデル (VLM) との統合、生成モデルの潜在的な新規アプリケーションなど、将来の研究の方向性についてブレインストーミングが行われます。
生成手法の開発は急速であるため、このレビューにより、同僚や学習者がこの新しい物理駆動型生成モデルのタイムリーなスナップショットを提供し、医用画像処理の巨大な可能性を活用するのに役立つことが期待されます。

要約(オリジナル)

Physics-inspired generative models, in particular diffusion and Poisson flow models, enhance Bayesian methods and promise great utilities in medical imaging. This review examines the transformative role of such generative methods. First, a variety of physics-inspired generative models, including Denoising Diffusion Probabilistic Models (DDPM), Score-based Diffusion Models, and Poisson Flow Generative Models (PFGM and PFGM++), are revisited, with an emphasis on their accuracy, robustness as well as acceleration. Then, major applications of physics-inspired generative models in medical imaging are presented, comprising image reconstruction, image generation, and image analysis. Finally, future research directions are brainstormed, including unification of physics-inspired generative models, integration with vision-language models (VLMs),and potential novel applications of generative models. Since the development of generative methods has been rapid, this review will hopefully give peers and learners a timely snapshot of this new family of physics-driven generative models and help capitalize their enormous potential for medical imaging.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google