通过扩散模型将Mayo LDCT数据转化为等效的合成数据，用于具有理论完美隐私的去噪网络训练
摘要：使用深度学习技术在医学影像领域广泛使用，例如低剂量CT去噪。然而，所有这些方法通常需要大量数据样本，这些样本具有隐私泄露的风险，费用昂贵且耗时。由于隐私和其他问题对数据共享构成挑战，公开可用的CT数据集仅有几千例。生成合成数据提供了一种有前途的替代方法，以补充或替代训练数据集而不涉及特定患者信息。最近，扩散模型在计算机视觉社区获得了广泛关注，并且具有坚实的理论基础。在本文中，我们使用潜在扩散模型从公开可用的CT数据集——Mayo低剂量CT挑战数据集中生成合成图像。然后，创建了一个等效的合成数据集。此外，我们分别使用原始的Mayo CT数据集和合成数据集来训练RED-CNN模型。结果表明，RED-CNN模型在这两种情况下取得了类似的性能，这表明使用合成数据进行低剂量CT研究的可行性。此外，我们使用潜在扩散模型对Mayo数据集进行增强。在增强数据集上的结果表明，去噪性能有所提升。
作者：Yongyi Shi and Ge Wang
论文ID：2301.06604
分类：Medical Physics
分类简称：physics.med-ph
提交时间：2023-01-18