本文已根据 Science X 的编辑流程和政策进行审阅。编辑在确保内容可信度的同时强调了以下属性：
经过事实检查
校对
一种新颖的人工智能方法可以使用语义分割掩模生成 3D 脑部 MRI 图像，为医学图像合成和隐私保护提供突破。
这种新的扩散模型称为 Med-DDPM，是由台湾大学肖福仁博士和台湾科技大学鲍兴国博士领导的台湾研究团队提出的。
该研究最近于发表在 IEEE 生物医学和健康信息学杂志上。
医学成像对于医疗保健至关重要，但人工智能在该领域的应用往往受到数据稀缺和患者隐私问题的限制。Med-DDPM 模型通过“语义调节”解决了这些挑战，这种方法将像素级掩模图像合并到扩散过程中，以指导生成解剖上相干的 3D MRI。
Med-DDPM 与众不同通过避免模式崩溃和空间不一致等常见问题，从现有的生成模型（例如生成对抗网络（GAN））中分离出来。它还能够仅使用掩模输入跨多种模态 T1、T1CE、T2 和 FLAIR 生成脑部 MRI。
在脑肿瘤分割任务中，Med-DDPM 的合成图像获得了 0.6207 的骰子分数，非常匹配真实图像的性能（0.6531）。此外，当合成图像与真实数据相结合时，分割精度提高到 0.6675，证明了该模型的数据增强潜力。
“Med-DDPM 为生成高质量、解剖学上准确的 3D MRI 提供了可靠的解决方案，解决数据限制和隐私问题。”研究人员解释道。
它能够从掩模生成正常和病理的大脑图像，这使得它在各种医学成像应用中具有高度的通用性。此外，Med-DDPM 匿名医疗数据的潜力确保了共享临床信息时的隐私。
研究团队已公开提供脑病理 MRI 和分割掩模的合成数据集。此外，Med-DDPM 的代码和模型权重可以在 GitHub 上访问，鼓励该领域的进一步研究和开发。
作为第一个为 3D 语义脑 MRI 合成设计的扩散模型，Med-DDPM为人工智能驱动的医学成像开辟了新的可能性，特别是在资源有限的医疗保健环境中。
更多信息：Zolnamar Dorjsembe 等人，语义 3D 脑 MRI 合成的条件扩散模型，IEEE Journal of Biomedical 和健康信息学（2024）。DOI：10.1109/JBHI.2024.3385504