基于轻量级 Transformer 扩散模型学习框架的胸部 CT 生成模型，在医疗领域中实现了更真实和可信的医学图像生成，并大幅减少了计算复杂性。

Jun, 2024

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

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

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

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

使用智能手机拍摄胸部 x 线照片并对其进行自动化解释需要可靠的算法。为了解决这个问题，我们介绍了一个基于 CheXpert 数据集的 CheXphoto 数据集，该数据集包含了智能手机拍摄的照片和经过合成变换的数字 x 线照片，旨在测试和提高深度学习算法对智能手机照片的鲁棒性。

Jul, 2020

通过利用多个二元分类模型，将放射学异常检测限制在心脏肥大、肺积液和实变方面，我们提出了一种基于多模型深度学习的自动胸部 X 射线报告生成系统，旨在辅助放射科医生的工作，通过图像预处理、使用深度学习模型检测异常、生成报告三个步骤来生成一份放射学报告，从而降低放射科医生的工作负担并提高胸部 X 射线诊断的准确性。

Sep, 2023

该研究针对在资源受限的医疗环境中对低分辨率的胸部 X 光片进行诊断的挑战，通过引入多级协作关注知识（MLCAK）方法，利用视觉变换器（ViT）的自我关注机制，将高分辨率图像的关键诊断知识迁移至低分辨率的胸部 X 光片，提高了诊断准确性，尤其针对低分辨率的胸部 X 光片分析所设计的多任务框架，在本研究中使用 Vindr CXR 数据集验证了能够从低分辨率图像（如 28 x 28）诊断疾病的显著改进，从而暗示了传统依赖高分辨率图像（如 224 x 224）的关键转变。

May, 2024

本研究通过训练深度学习模型，提出了一种能够诊断 14 种疾病的级联深度神经网络，其表现优于基线并与其他已发布的方法竞争，探讨了针对 ChestX-ray14 数据集的训练 DCNN 的损失函数选取和使用级联建模标签依赖性以及提高深度学习模型准确性的问题。

Nov, 2017