退化敌对神经影像网络：生成类似疾病进展的图像
该研究提出了一种结合了伽玛校正和脑结构专注的神经退化卷积神经网络（SNeurodCNN）的机器学习框架，用于区分早期阿尔茨海默病（AD）和轻度认知障碍（MCI），通过实验证明该模型在诊断及特定脑区变化的准确性、特异性和敏感性方面表现出色，成为早期 AD 诊断的潜在大脑结构变化数字生物标志物。
Jan, 2024
研究探索了在阿尔茨海默病的语境中使用生成对抗网络（GAN）从功能网络连接和 T1 加权结构磁共振成像数据中生成相应的数据，并通过集成弱监督的方式提高数据过渡的质量。结果显示模型具有良好的相似性和相关性，并在阿尔茨海默病患者的脑部图像中发现了特定的变化模式。
May, 2024
本研究通过深度神经进化 (DNE) 技术，实现对转移性脑疾病进行智能分类，旨在为肿瘤的进展或缩小提供全面且自动化的评估方式。研究结果表明，该方法在小型训练集下取得了较高精度。
Mar, 2022
通过结合时间推断、可变形配准神经网络和注意力机制，本文提出了区域性深度萎缩（RDA）方法用于通过 MRI 图像监测神经退行性疾病（如阿尔茨海默病）的病程变化，同时提供了解释性更强的研究结果。
Apr, 2023
提出了一种 Temporally-Aware Diffusion Model (TADM) 的方法，该方法可以准确推测脑 MRI 的进展，包括结构变化和时间间隔，它通过学习扫描之间的强度差异以及与初始基线扫描结合来生成未来的 MRI。通过在 OASIS-3 数据集上进行的评估，表明 TADM 相比现有方法在模拟脑神经退行性进展方面取得了显著的改进。
Jun, 2024
本研究中，我们提出了一种使用生成性对抗网络通过在两个公共数据集上训练生成合成 MRI 图像的方法，以产生具有脑肿瘤的合成异常 MRI 图像。结果表明这些合成图像提供两个独特的好处，第一是作为数据增强的一种方式，可以提高肿瘤分割的性能，第二，证明了生成模型作为匿名化工具的价值，通过使用合成数据，实现了与实际患者数据训练具有可比性的肿瘤分割结果。这些结果为解决医学成像中机器学习面临的两个最大挑战，即病理发现的小发生率和患者数据共享的限制，提供了潜在的解决方案。
Jul, 2018
本文主要介绍了使用生成对抗网络（GAN）进行医学图像合成的研究。作者总结了最近应用 GAN 进行交叉模态大脑图像合成的进展，包括 CT 合成 PET、CT 合成 MRI、MRI 合成 PET 以及相反的方向。
May, 2023
通过评估几种无监督方法对大规模合成数据集进行预训练的特征提取器在下游阿尔茨海默病与认知正常之间的分类任务中达到了类似于使用真实数据的模型的性能，从而支持使用大规模合成数据进行预文本任务训练的可行性。
Jun, 2024