[论文解读] Diffusion Models for Medical Image Analysis: A Comprehensive Survey

Amirhossein Kazerouni, Ehsan Khodapanah Aghdam+5 more|arXiv (Cornell University)|Nov 14, 2022

Mathematical Biology Tumor Growth被引用 46

一句话总结

本综述全面评述医疗影像中的扩散模型，提出一个分类体系，覆盖多模态中的应用、临床相关性、局限性以及开源资源。

ABSTRACT

Denoising diffusion models, a class of generative models, have garnered immense interest lately in various deep-learning problems. A diffusion probabilistic model defines a forward diffusion stage where the input data is gradually perturbed over several steps by adding Gaussian noise and then learns to reverse the diffusion process to retrieve the desired noise-free data from noisy data samples. Diffusion models are widely appreciated for their strong mode coverage and quality of the generated samples despite their known computational burdens. Capitalizing on the advances in computer vision, the field of medical imaging has also observed a growing interest in diffusion models. To help the researcher navigate this profusion, this survey intends to provide a comprehensive overview of diffusion models in the discipline of medical image analysis. Specifically, we introduce the solid theoretical foundation and fundamental concepts behind diffusion models and the three generic diffusion modelling frameworks: diffusion probabilistic models, noise-conditioned score networks, and stochastic differential equations. Then, we provide a systematic taxonomy of diffusion models in the medical domain and propose a multi-perspective categorization based on their application, imaging modality, organ of interest, and algorithms. To this end, we cover extensive applications of diffusion models in the medical domain. Furthermore, we emphasize the practical use case of some selected approaches, and then we discuss the limitations of the diffusion models in the medical domain and propose several directions to fulfill the demands of this field. Finally, we gather the overviewed studies with their available open-source implementations at https://github.com/amirhossein-kz/Awesome-Diffusion-Models-in-Medical-Imaging.

研究动机与目标

• 介绍扩散模型的理论基础及其与医疗影像的相关性。
• 提供关于扩散模型方法及其在医学中的应用的系统分类。
• 调查扩散模型在不同模态、器官和任务中的应用。
• 讨论扩散模型在临床场景中的局限性、挑战和未来方向。

提出的方法

• 解释扩散模型理论与框架：扩散概率模型、噪声条件分数网络，以及随机微分方程。
• 提出基于应用、成像模态、器官和算法的多角度分类法。
• 回顾截至2022年10月和至2023年4月的文献，以覆盖在医学领域的扩散模型应用。
• 总结实际应用案例并提供一个开源实现的GitHub仓库。
• 突出合成数据和扩散先验在反演成像问题中的临床相关性与潜力。

实验结果

研究问题

• RQ1 扩散模型在医疗影像中适用的核心理论框架有哪些？
• RQ2 扩散模型在医学领域如何按应用、模态和器官进行分类？
• RQ3 使用扩散模型在医疗影像中的主要临床收益、局限性和尚待解决的挑战是什么？
• RQ4 有哪些指导与资源（如开源实现）可促进医疗保健中扩散模型研究？

主要发现

• 扩散模型在样本质量和模式覆盖方面表现出色，解决了GAN和VAE在医疗影像中的一些局限性。
• 医学领域扩散模型的文献增长迅速，调查时总计103篇论文。
• 这是首次全面覆盖医疗影像中扩散模型应用的综述，并提供多角度的分类法。
• 该研究讨论了临床相关性、数据稀缺、隐私，以及合成数据和扩散先验在反演成像问题中的潜力。
• 一个开源资源GitHub仓库汇集了医疗影像中扩散模型方法的开源实现。
• 该综述确定了九个应用类别，并强调在模态和器官上的适用性。