本文提出了一种数据增强方法，使用 3D 变分自动编码器分析图像形变分布并生成新的 MRI 图像，以帮助改进仅利用极少标记数据的医学影像分割性能，同时还建立了一种新的标准分割基准来进一步评估模型的泛化能力。

Feb, 2021

本文提出了一种统一的概率模型，用于学习成像数据的潜在空间并执行监督回归，利用 VAE 和神经网络回归器的联合正则化可以更精确地预测 MR 图像的年龄，实现了对人脑结构发育规律的直观解释。

Apr, 2019

本文介绍了一种基于神经网络和自动编码器的新型框架 —— 网格变分自编码器来研究分析具有形变的 3D 网格，通过在概率潜空间中探索 3D 表面，既可以代表 3D 动画序列，也可以代表同一类别的对象集合，具有大规模非线性形变的多样形状，广泛的实验表明我们的方法可以实现不同的形状性能，如形状生成、形状内插，形状空间嵌入和形状探索，取得了超越最先进方法的结果。

Sep, 2017

基于扩散的框架 Make-A-Volume 用于体积式医学数据的交叉模态三维图像合成，通过利用 2D 骨干和插入一系列体积层，成功地解决了体积不一致和计算效率问题，实现了具有一致性的优质合成结果。

Jul, 2023

通过提出基于 Hamiltonian 变分自动编码器（HVAE）和区别性正则化的新的端到端混合架构，我们的方法可以准确估计图像和蒙版的联合分布，从而生成具有较少伪影和离群实例的逼真医学图像。通过在丰富增强的数据集上以切片方式操作，我们的架构可以快速且准确地分割 3D 体积，在 BRATS（MRI 模态）和 HECKTOR（PET 模态）两个公开数据集上的实验证明了我们提出的方法在有限数据的不同医学成像模态上的有效性。

Jun, 2024

提出了一种基于概率的低维形变模型，可用于图像配准和形变分析，具有对比形变、生成正常或病态形变的能力，以及在多种图像对之间传输形变的能力。在三维心脏 Cine-MRIs 上的实验结果显示出本方法目前显示了最先进的性能。

Dec, 2018

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

我们使用基于变分自编码器 (VAE) 的模型 DemoVAE 对 fMRI 特征与人口统计学进行去相关，并生成以用户提供的人口统计学为基础的高质量合成 fMRI 数据。使用两个广泛使用的数据集验证结果，我们发现 DemoVAE 可以在捕捉个体之间的全部变异的同时复现 fMRI 数据中的群体差异。同时我们也发现，大多数与 fMRI 数据相关的临床和计算测电池领域与 DemoVAE 编码没有相关性，唯有几个与精神分裂症药物和症状严重程度有关的领域例外。我们的 DemoVAE 模型允许生成以受试者人口统计学信息为条件的高质量合成数据，并消除人口统计学的混杂效应。我们认为基于功能连接的预测任务受人口统计学混淆的影响较大。

May, 2024

本文提出了 Coordinate Quantization Variational Autoencoder（CQ-VAE 这个强大的生成模型，可以学习模糊性的表示并生成概率性输出来对医疗应用进行诊断的不确定性评估，同时能够在确定性路径上输出最佳估计，并在腰椎间盘图像数据集上进行了应用验证。

Oct, 2020

本文提出了一种利用无监督深度学习（Variational Autoencoders）学习全采样 MR 图像概率分布的显式先验术语的方法，从而弥补了 k 空间数据缺失的影响，而不需要训练成对的数据集。

Nov, 2017