本文提出了一种基于未监督方法的重建医学图像的技术，利用基于得分的生成模型捕捉医学图像的先验分布，通过一种采样方法重建医学图像，能够灵活适应不同的测量过程，相比有监督学习技术在多项医学成像任务中表现更好，并且在未知测量过程下表现显着更好。

Nov, 2021

本研究旨在发展一种新的方法，将子空间和生成图像模型融合到一起以用于高维 MR 图像重建，结果表明该方法在快速 MR 参数映射和高分辨率 MR 光谱成像方面取得了比基于子空间的最新方法更好的性能.

Jun, 2023

通过使用经过训练的潜在扩散模型来解决一般逆问题，并采用数据一致性来提高效率和灵活性，从而为医学成像等领域应用先验提供了可行性。

Jul, 2023

在稀疏投影CT上测试，通过与现有的基于分数的策略相比，使用多个训练数据集大小，cGLO提供了更好的重建质量以及对于较小的训练数据集和减少的投影角度展现出逐渐增加的性能优势。此外，cGLO不需要任何反向操作，甚至可以拓展应用于非线性的IIPs。

Jul, 2023

通过两种不同范例，学习正演算子在逆问题中的重建方法：完全对正演算子不可知的范例通过投影正则化找到重建，而基于测量过程的简化模型则依赖于训练数据来学习模型修正。这两种方法都需要训练数据不仅仅是正演算子，也是其伴随算子。

Nov, 2023

我们展示了得分为基础的生成模型可以用于研究优化问题，这解决了常常是非凸且难以解决的问题。我们的实验结果证明了使用该框架在计算机断层扫描图像恢复方面的潜力。

Apr, 2024

通过在潜变量空间中解决PDE问题，提出了潜变量神经运算器（LNO）模型，其中利用物理交叉注意力（PhCA）将表示从几何空间转化到潜变量空间，并通过反向PhCA映射恢复真实的几何空间，模型具有灵活性，可以解码任意位置的值并提高预测准确性和计算效率。

Jun, 2024

物理启发的生成模型，特别是扩散和泊松流模型，在医学成像中增强了贝叶斯方法，并有很大实用价值。本综述论文检查了这类生成方法的转变作用，首先回顾了各种物理启发的生成模型，包括去噪扩散概率模型（DDPM），基于分数的扩散模型以及泊松流生成模型（PFGM和PFGM++），着重介绍了它们的准确性、稳健性和加速度。接着，介绍了物理启发的生成模型在医学成像中的主要应用，包括图像重建、图像生成和图像分析。最后，对未来的研究方向进行了头脑风暴，包括物理启发的生成模型的统一化、与视觉语言模型（VLMs）的整合以及生成模型的潜在新应用。由于生成方法的发展迅速，本综述论文有望及时展示这个新型物理驱动生成模型家族并发挥它们在医学成像领域的巨大潜力，从而帮助同行和学习者对其有一个及时的了解。

Jul, 2024

本研究针对电阻抗层析成像（EIT）的非线性逆问题所带来的重建精度挑战，提出了一种创新的方法Diff-INR，将生成正则化与隐式神经表示结合。通过引入几何先验，Diff-INR在不同的网格密度和超参数设置下实现了先进的重建精度，展示了该方法的灵活性与效能，并为其他面临类似非适定逆问题的成像模式提供了可借鉴的原理。

Sep, 2024

本研究针对电阻抗层析成像中存在的非线性逆问题，提出了一种新颖的方法Diff-INR，结合了生成正则化和隐式神经表示。该方法通过引入几何先验，有效提升了重建精度，并展现出在不同网格密度和超参数设置下的稳健性能，标志着在应对EIT问题的重大进展。

Sep, 2024