本文提出了一种名为差异分布医学扩散（DDMD）的模型，用于脑 MRI 中的病变检测，通过将异构样本中的分布差异转化为图像级注释的不一致性，保留了像素级的不确定性，并实现了隐式分割集合，最终提高了整体检测性能。通过在包含脑肿瘤检测的多模态 MRI 扫描的 BRATS2020 基准数据集上进行的详尽实验，证明了我们方法与当前方法相比的良好性能。

May, 2024

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

研究使用深度学习（DL）技术，设计基于计算机断层扫描（CT）的 DL 算法，从非严格研究协议中收集的 CT 脑部扫描数据中检测急性缺血性中风（AIS）病变，并分类受影响的脑部侧边。通过探索 AIS 病变特征、背景脑部外观和时间对 DL 性能的影响，最佳 DL 方法对病变存在和侧边分类达到了 72％的准确率，对大尺寸病变（80％准确率）和多发病变（87％二个病变、100％三个或以上病变的准确率）检测效果更好。

Sep, 2023

利用语义扩散模型生成高保真度肺部 CT 图像扩充数据集，并在肺结节检测和定位任务中展现了优异性能。

May, 2023

基于多位专家的深度学习方法，本研究利用非对比 CT 图像自动量化缺血性脑组织。采用随机专家抽样的训练方案，该模型在专家结果、多数投票模型性能和临床结果等方面显示更高的一致性，并能像 CT 灌注图像一样准确地识别非对比 CT 图像中急性缺血性脑组织的存在和位置，从而在非专业医院中进一步确保对患者进行血管内治疗的选择。

Sep, 2023

本研究侧重于使用扩散模型进行半监督图像分割，特别是针对领域泛化问题，结论表明较小的扩散步骤生成的潜在表示比较大的步骤更具鲁棒性，通过利用信息密集的小步骤和较大步骤的正则化效果生成预测，该模型在领域变化设置中表现出明显较好的性能且在领域内保持有竞争力的性能，突显了 DDPM 在半监督医学图像分割中的潜力并提供了优化其在领域变化下性能的见解。

Nov, 2023

人工智能在生物医学成像和放射治疗方面的快速发展受限于大型成像数据仓库的有限可用性。该研究介绍了一种能够使用成对网络和条件编码器生成多个相关 PET-CT - 肿瘤蒙版配对的新颖架构，通过创新的时间步骤控制机制和 “噪声播种” 策略改善 DDPM 采样一致性。尽管我们的模型需要修改感知损失函数以确保准确的特征对齐，但我们展示了生成清晰对齐的合成图像并通过生成图像改善了分割准确性。

Mar, 2024

本文提出了一个新的半监督框架，通过使用稀疏标记的 MLS 切片和扩散模型对大量未标记的 MLS 数据和 2793 个非 MLS 案例进行表征学习和正则化，准确测量头部 CT 扫描中 MLS 的规模，从而实现了对临床脑出血数据集的最新成果性能的实验，并能够生成可解释的形变场。

Jan, 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

提出了一种考虑时空信息的灌注参数估计网络 (ST-Net)，该网络结合了设计的物理损失函数，能够准确估计灌注参数，包括脑血容量、脑血流和残差函数的最大时间。

Dec, 2023