LDCT-and-Projection-data, Prostate-MRI-US-Biopsy

LDCT-and-Projection-data数据集用于单条件图像到图像翻译任务（去噪任务），Prostate-MRI-US-Biopsy数据集用于多条件图像到图像翻译任务（超分辨率任务）。

The LDCT-and-Projection-data dataset is designed for single-condition image-to-image translation tasks (denoising tasks), while the Prostate-MRI-US-Biopsy dataset is intended for multi-condition image-to-image translation tasks (super-resolution tasks).

原始信息汇总

GDM-VE 数据集概述

数据集简介

GDM-VE 是一种基于 PyTorch 的官方实现，用于图像到图像的生成任务，特别是医学图像处理。该模型提出了一种新的扩散模型 Geodesic Diffusion Model (GDM)，旨在通过在 Fisher-Rao 度量下定义测地线路径来提高扩散模型的效率。

数据集要求

• Python 3.10.6
• torch 1.12.1
• torchvision 0.13.1
• numpy
• opencv-python
• tqdm
• tensorboard
• tensorboardX
• scikit-image
• medpy
• pillow
• scipy

安装命令：pip install -r requirements.txt

数据集详情

• LDCT-and-Projection-data：用于单条件图像到图像转换（去噪任务）的数据集。
• Prostate-MRI-US-Biopsy：用于多条件图像到图像转换（超分辨率任务）的数据集。

数据集下载链接：Google Drive

使用说明

1. 克隆或下载代码。
2. 下载预训练模型权重：Google Drive。
3. 准备数据，数据文件夹结构如下：

bash │ ├── data │ ├── LD_FD_CT_train │ ├── LD_FD_CT_test │ ├── PMUB-train │ └── PMUB-test │ ├── other folders │ └── other files

4. 运行实验：

   • 训练 GDM 模型： bash sh GDM.sh --config {DATASET}.yml --dataset {DATASET_NAME} --exp {PROJECT_PATH} --doc {MODEL_NAME}

   • 从 GDM 模型采样： bash sh GDM.sh --config {DATASET}.yml --dataset {DATASET_NAME} --exp {PROJECT_PATH} --doc {MODEL_NAME} --sample --fid --timesteps {STEPS}

参考文献

代码主要参考了 DDIM。

引用与致谢

如使用此代码或数据集，请按照以下格式引用论文：

bibtex @misc{zhang2025geodesicdiffusionmodelsmedical, title={Geodesic Diffusion Models for Medical Image-to-Image Generation}, author={Teng Zhang and Hongxu Jiang and Kuang Gong and Wei Shao}, year={2025}, eprint={2503.00745}, archivePrefix={arXiv}, primaryClass={eess.IV}, url={https://arxiv.org/abs/2503.00745}, }

搜集汇总

数据集介绍

构建方式

LDCT-and-Projection-data和Prostate-MRI-US-Biopsy数据集的构建，是基于图像到图像生成任务的需求，分别针对单条件图像到图像转换的去噪任务和多条件图像到图像转换的超级分辨率任务。数据集通过特定的预处理流程，确保了数据质量与一致性，为模型的训练与评估提供了标准化基础。

特点

该数据集的主要特点是包含了用于医学图像处理任务的两组数据，一组是用于去噪任务的LDCT-and-Projection-data，另一组是用于超级分辨率任务的Prostate-MRI-US-Biopsy。数据集按照Fisher-Rao度量定义的测地线路径进行噪声调度，有效提升了扩散模型的效率。此外，数据集经过精心设计，以适应Geodesic Diffusion Model（GDM）的训练需求，实现了训练时间的大幅缩短和采样速度的提高。

使用方法

使用该数据集，用户首先需要通过提供的链接下载数据，并按照项目目录结构要求进行组织。接着，用户可以通过配置脚本参数来训练GDM模型或从模型中进行采样。针对不同的图像处理任务，用户需选择相应的配置文件和参数。此外，项目还提供了预训练的模型权重，方便用户直接进行模型采样实验。

背景与挑战

背景概述

LDCT-and-Projection-data与Prostate-MRI-US-Biopsy数据集，是医学图像处理领域的重要资源。前者用于单条件图像到图像的转换（去噪任务），后者用于多条件图像到图像的转换（超分辨率任务）。这两个数据集的创建，旨在推动地理扩散模型（GDM）的研究，该模型由张腾等研究人员提出，并于2025年发表在预印本服务器arXiv上。该模型优化了传统扩散模型在概率空间中的路径效率问题，显著提升了训练和采样效率，对医学图像处理领域产生了重要影响。

当前挑战

该数据集的研究挑战主要在于：1) 医学图像处理领域的高噪声和复杂性，对图像去噪和超分辨率任务提出了更高的精度和稳定性要求；2) 数据集构建过程中，如何保持数据的质量和一致性，同时处理大量的医学图像数据，保证模型的泛化能力和鲁棒性；3) 在模型训练和采样过程中，如何高效利用计算资源，降低时间和经济成本。

常用场景

经典使用场景

在医学影像处理领域，LDCT-and-Projection-data与Prostate-MRI-US-Biopsy数据集被广泛应用于图像到图像的生成任务。具体而言，LDCT-and-Projection-data数据集用于单条件图像到图像的转换（去噪任务），而Prostate-MRI-US-Biopsy数据集则用于多条件图像到图像的转换（超分辨率任务）。

解决学术问题

该数据集解决了传统扩散模型在医学图像处理中的效率问题。通过采用Geodesic Diffusion Model（GDM），该模型在Fisher-Rao度量下定义了测地线路径，并在保持高质量样本生成的同时，显著减少了训练和采样所需的计算成本。与Denosing Diffusion Probabilistic Model（DDPM）相比，GDM在训练时间上减少了50倍，采样速度提高了66倍。

衍生相关工作

基于该数据集的研究成果，已经衍生出一系列相关工作，如DDIM模型的改进版本，以及更多针对医学图像处理任务的扩散模型。这些研究进一步拓展了GDM模型的应用范围，并在医学图像分析领域产生了广泛的影响。