使用张量网络进行 3D DDPM 的参数高效微调以生成 MRI 图像-计算机科学-磁共振成像-扩散模型 -参数高效微调.pdfVIP

使用张量网络进行3DDDPM的参数高效微调以生

成MRI图像

BinghuaLi,ZiqingChang,TongLiang,Chao

Li,ToshihisaTanaka,ShigekiAoki,QibinZhao,ZheSun

TokyoUniversityofAgricultureandTechnology,Tokyo,Japan

JuntendoUniversity,Tokyo,Japan

b.li.qr@juntendo.ac.jp,z.sun.kc@juntendo.ac.jp

RIKENCenterforAdvancedIntelligenceProject,Tokyo,Japan

本

译摘要我们解决了在磁共振成像（MRI）图像生成中，基于三维（3D）U-

中Net的去噪扩散概率模型（DDPMs）参数高效微调（PEFT）的挑战。尽管

其具有实际意义，但对于三维卷积操作的参数高效表示的研究仍然有限。

1

v为了弥补这一差距，我们提出了十sor声lumetricOperator(TenVOO)，

2这是一种专门用于微调具有3D卷积主干的DDPMs的新颖PEFT方法。

1

1通过张量网络建模，TenVOO使用低维张量表示3D卷积核，在微调过

8程中有效地捕捉复杂的空间依赖关系，并且参数较少。我们在三个下游脑

1

.MRI数据集–ADNI、PPMI和BraTS2021上评估了TenVOO，通过对

7从UKBiobank的59,830个T1加权脑MRI扫描中预训练的DDPM进

0

5行微调来实现。我们的结果表明，TenVOO在多尺度结构相似性指数度量

2（MS-SSIM）方面达到了最先进的性能，在捕捉空间依赖关系时优于现有

:

v方法，同时只需要原始模型%的可训练参数。我们的代码可在https:

i

x///xiaovhua/tenvoo获取。

r

a

Keywords:MRI图像生成·扩散模型·参数高效微调·张量网络。

1介绍

扩散模型[29]，特别是去噪扩散概率模型（DDPMs）[17]，因其生成高

质量和多样化的医学图像的能力而备受关注[1,26]。特别是在磁共振成像

（MRI）任务中，这些模型在增强临床工作流程方面具有巨大的潜力，包括疾

病预测、诊断和治疗等临床实践[9,11,27]通过建模反向扩散过程，DDPMs

逐步去除噪声以重建清晰的图像。这种训练范式提供了