使用生成模型（特别是 PG-GANs 和 Stable Diffusion fine-tuning）生成合成胸部 X 射线图像进行医学诊断的可能性的探索。使用 Chest X-ray 14 数据集进行实验，并通过定性和定量分析评估我们的模型的性能，结果表明生成的图像具有可信度，可以用于提高分类模型的准确性。

May, 2023

开发可重复使用的开源合成图像生成流程，该流程可帮助提高数字健康领域中的人工智能算法并标准化，生成不与特定患者相关的高质量合成图像数据，以改善诊断准确性、协助患者护理、降低医疗法律索赔以及最终降低卫生保健总成本。

Mar, 2024

通过准确的解剖学和病理定位控制，我们提出一种名为 XReal 的新型可控扩散模型，用于生成逼真的胸部 X 射线图像。我们的轻量级方法可以在预训练的文本到图像扩散模型中无需微调地无缝集成空间控制，保留其现有知识同时增强生成能力。XReal 在定量和定性指标上优于最先进的 X 射线扩散模型，根据专家放射科医师评估，解剖和病理逼真性分别提高了 13％和 10％。我们的模型有望在医学成像中推进生成模型，提供更高的准确性和适应性，并在这个不断发展的领域引发进一步的探索。大规模合成生成的带有注释和代码的数据公开可用于 this https URL。

Mar, 2024

本文探讨了在医疗领域电脑视觉技术中普遍存在的数据样本数量不足和分类失衡的问题，并通过使用生成对抗网络技术来增强数据集以改善网络性能，结果表明这种方法适用于低数据的情况，是值得进一步研究的领域。

Jul, 2021

通过使用生成对抗网络进行病理图像的模拟，摆脱常见医疗问题过度呈现和罕见条件数据匮乏等问题，将生成的图像和真实图像结合，使用 DCNN 检测肺部 X 光片的五个类别，通过生成的图像均衡数据集，DCNN 的性能得到了提高。

Nov, 2017

使用扩散模型的合成数据补充对胸部 X 射线影像（CXR）分析中深度学习（DL）分类器性能的影响进行了研究，评估了内部和外部数据集上分类器的性能，结果表明合成数据补充可以增强模型准确性，尤其是在检测罕见病变方面。然而，尽管结果有希望，真实数据的优越性仍然存在。

Nov, 2023

本研究综述了生成模型在合成各种医学数据类型方面的广泛应用，探索了合成应用、生成技术和评估方法等方面的见解，强调了医学数据的唯一性和临床应用的需求。同时，研究也揭示了医学图像评估方法的不足之处，呼吁进行深入评估、基准测试和比较研究以促进开放和合作。

Jun, 2024

本研究提出了一种策略来克服大规模自然 - 医学分布偏移，并使用预先训练的潜在扩散模型在公开可用的胸部 X 射线（CXR）及其对应的放射学（文本）报告语料库上进行调整，评估了生成的高保真 CXR 的图像质量和文本 - 图像对齐的能力，并观察到使用数据增强的方式训练动态成像分类器的证据。

Nov, 2022

本文提出了使用生成对抗网络（GAN）的框架，用于可视化两个人口统计子组别之间最不同的特征，从而解决由于胸部 X 射线数据集包含与受保护人口统计属性（如种族和性别）强相关的视觉特征而引发的公平性问题，因为这些因素可能被下游算法用于临床预测。

Apr, 2023

通过引入内容和风格的解耦技术以及姿态注意力模块，利用 CT2X-GAN 方法，该研究提出了一种学习式的端到端合成 X 射线图像的方法，从而改善合成质量并使其更接近真实的 X 射线图像。

Apr, 2024