利用自编码器进行合成肺结节三维图像生成
本文研究使用生成对抗网络以及数据增强的方法来提高医学影像中肺部病理结节的分割准确度，以克服数据稀缺的难题。在超过 1000 个病例的数据集上，实验结果表明该方法在各项指标上均优于现有的方法，证明了该方法的有效性。
Jun, 2018
研究通过自监督区域建模与对比学习训练方法，提出了一种新的自监督 3D 变形器模型来识别肺结节，与普遍使用的 3D 卷积神经网络相比，该模型可以极大地提高肺结节筛查的性能。
Apr, 2022
本研究提出了一种基于 3D 多条件 GAN 的数据增强方法，以生成真实 / 多样化的肺部 CT 图像结节，从而提高 3D 物体检测的敏感性，克服了医学数据匮乏的难题。
Jun, 2019
本研究提出了使用编码器 - 解码器神经网络在全分辨率下处理胸透图像，基于 JSRT 数据集进行肺结节定位，并使用自我融合模型在 10 折交叉验证中取得 85% 的敏感度和每张图像的 8 个误报，外部数据集测试结果为 77% 敏感度和 7.6 的误报率。
Jul, 2023
应用生成型 AI 模型 VAEs 对肺癌病灶进行研究，通过聚类分析和 MLP 分类器模型，在肺癌诊断方面取得了 AUC 0.98 和 93.1% 的准确度，同时探索标准高斯 VAE 和较新的狄利克雷 VAE 的比较分析，最后展示了潜在空间遍历在临床上具有潜在的特征变化。
Nov, 2023
本文介绍一种基于深度学习的肺部 CT 自动癌症诊断系统 DeepLung，包括两个部分：结节检测和结节分类，两个 3D 网络分别应用于它们，该系统在 LIDC-IDRI 数据集上获得了与经验医生相似的结节和患者级别的诊断性能。
Sep, 2017
本文提出使用 Deep Convolutional-Generative Adversarial Networks 的无监督学习方法来生成肺部结节样本，通过视觉图灵测试验证生成样本的质量，以此来学习最具有鉴别能力的影像特征，从而应用于医学诊断和训练深度网络。
Oct, 2017
通过公共研究挑战 NODE21 和附加实验，本文总结了合成肺结节训练图像对检测算法性能的影响，以及肺结节作为肺癌早期表现的检测和生成过程。
Jan, 2024
本文探讨使用神经扩散模型合成医学图像的可能性，结果表明扩散模型生成的图像可以翻译一些胸部 X 射线或 CT 图像中特定医学情况的特征，这是一项新的人工智能医学图像研究，展示了扩散模型在医学图像合成领域的潜力。
Nov, 2022