DiffSeg 基于扩散差异原理，利用扩散模型从具有多样的语义信息的图像中提取基于噪声的特征，识别出疾病区域，同时通过模拟医生的注释行为，可视化分割结果的一致性和模糊性，并使用广义能量距离（GED）量化输出不确定性，帮助医生解释和决策。最后，通过密集条件随机场（DenseCRF）算法整合输出，考虑像素之间的相关性，改善准确度并优化分割结果。我们在 ISIC 2018 Challenge 数据集中展示了 DiffSeg 的有效性，优于现有基于 U-Net 的方法。

Apr, 2024

对扩散分割与图像生成之间的区别进行分析和讨论，重点关注训练行为，评估直接用于分割的扩散分割架构的表现，以及不同医学分割任务对扩散分割行为的影响及相应的扩散过程的调整方法。通过这些分析，旨在为未来扩散分割方法的设计和评估提供深入见解。

Mar, 2024

基于潜在伯努利扩散模型的新颖快速非监督异常检测方法，通过自编码器将输入图像压缩成二进制潜在表示，使用伯努利噪声进程的扩散模型从扰动的潜在空间进行训练以恢复二进制潜在表示，并基于这些概率提出了基于掩蔽算法来改进异常检测评分，具有超越其他基于扩散的非监督异常检测算法的最新性能，同时显著减少了采样时间和内存消耗。

Mar, 2024

通过扩充小规模或不平衡数据集来生成高质量的影像，本研究提出了一种扩散模型来实现解剖结构控制的医学影像生成，有别于现有模型，该模型在每个采样步骤中遵循多类解剖学分割掩模，并采用随机掩模消融算法来实现对所选解剖约束的条件控制。在乳腺磁共振成像和腹部 / 颈至骨盆 CT 数据集上进行比较评估，验证了本模型对于解剖结构真实性和掩模准确性的优越性。此外，我们提供易于使用的代码库并发布了一个生成的成对乳腺磁共振成像数据集，该方法具有多种应用，包括预注册影像生成和反事实情境分析等。

Feb, 2024

该研究提出了一种利用扩散模型和随机采样方法生成多个可行的医学图像分割结果的方法，这种方法应用于 CT、超声波和 MRI 图像时，不仅能够提高分割准确度而且能够捕捉自然变异，同时还提出了一种度量分割结果多样性的新指标。

Apr, 2023

本研究提出了一种新方法，利用扩展后的扩散概率方法，通过端到端学习和使用编码器 - 解码器网络，对图像进行分割。该方法可以迭代地细化分割图，获得最终的分割结果，在多个基准数据集上获得了最先进的结果。

Dec, 2021

本研究提出了一种基于条件得分的生成建模框架，用于医学图像分割，该框架依赖于分割掩模的参数化表面表示。实验结果表明，与其他常用的图像分割模型相比，我们的模型在分割准确度方面表现出色，并且由于其生成性质，还能够估计分割的不确定性以进行进一步的分析。

Dec, 2023

通过弱监督方法生成病变图片的健康版本，并利用此图像生成像素级异常地图，以提升放射科医生的训练文件和分割模型的可解释性。

Aug, 2023

我们提出了一种名为 VerseDiff-UNet 的端到端框架，利用了去噪扩散概率模型（DDPM），并通过将噪声图像与标记的掩模相结合，准确地引导扩散方向朝向目标区域，从而实现准确和多样的脊椎医学图像分割模板。此外，我们还结合了形状先验模块来捕获医学图像中特定的解剖学先验信息。通过对 X 光成像获取的一组脊椎图像数据集进行评估，我们的结果表明，VerseDiff-UNet 在准确性方面明显优于其他最先进的方法，并且保留了解剖学的自然特征和变异。

Sep, 2023

本文提出了一种用于医学图像合成的新方法，即 EMIT-Diff，它利用最近的扩散概率模型生成逼真且多样化的合成医学图像数据，并确保合成样本符合医学相关约束并保留成像数据的底层结构。在多个数据集上进行的实验证明了 EMIT-Diff 在医学图像分割任务中的有效性，并展示了引入首个文本引导的扩散模型用于通用医学图像分割任务的可行性。

Oct, 2023