深度生成模型生成的合成图像可以解决数据缺乏和数据隐私问题。然而，图像质量评估仅仅基于图像质量测量，并且绝大部分研究者更青睐于产生逼真的图像的合成模型，即具有良好保真度评分，例如低 FID 和高 PSNR 的图像。本研究通过分析超过 100k 张胸部 X 射线图像及其人工合成的副本，确认了保真度、多样性和隐私性之间不可避免的平衡问题，同时指出了保真度和多样性并非高效实用性的必要条件，实验表明，对于数据增强而言，高效实用性的图片也可以是模式坍塌图像和低保真度图像。此外，实验还表明，还可能生成既高效实用又隐私保护的图像，这可以为隐私保护应用中的深度生成模型提供强有力的理论支持。

May, 2023

本文通过实证研究代表性生成模型 GAN，深入分析了如何在特征空间中代表数据点、如何使用选定样本计算合理距离以及每组要使用多少个实例等问题。实验结果表明，基于 CNN 和 ViT 的架构都是可靠和稳健的特征提取器，CKA 能够在一种模型中跨越各种提取器和分层层次上产生更好的比较，而且在表征两个内部数据相关性之间的相似性方面，CKA 显示出令人满意的样本效率并补充了现有指标（例如 FID）。这些发现帮助我们设计了一个新的测量系统，以便在一致可靠的方式下重新评估了最先进的生成模型。

Apr, 2023

提出了一种名为 MSG-SAGAN 的多尺度梯度生成式对抗网络结构，用于解决不平衡的生物医学图像数据集生成多样化高质量的 X 光影像。通过使用多尺度渐变和注意力机制来改善生成器和鉴别器模型中生物医学图像特征的长程依赖之间的关系，以减少模式崩溃和稳定 GAN 的训练。与多尺度梯度 GAN (MSG-GAN) 相比，结果表明 MSG-SAGAN 在合成多样化的图像方面表现更好。

Oct, 2022

在这项研究中，我们引入了两个度量标准，可以在图像的基础上测量合成图像的全局一致性，并且与传统的指标相比，我们的方法可以在每个图像上明确地测量全局一致性，从而实现对单个合成图像的生物合理性的专门分析。

Aug, 2023

本研究中，我们提出了一种使用生成性对抗网络通过在两个公共数据集上训练生成合成 MRI 图像的方法，以产生具有脑肿瘤的合成异常 MRI 图像。结果表明这些合成图像提供两个独特的好处，第一是作为数据增强的一种方式，可以提高肿瘤分割的性能，第二，证明了生成模型作为匿名化工具的价值，通过使用合成数据，实现了与实际患者数据训练具有可比性的肿瘤分割结果。这些结果为解决医学成像中机器学习面临的两个最大挑战，即病理发现的小发生率和患者数据共享的限制，提供了潜在的解决方案。

Jul, 2018

本研究通过对各种不同类型图像生成器的系统研究，探寻真实与虚假图像之间最具法医学意义的特征，发现合成图像中出现了可见的傅里叶域信号缺陷，以及自相关中出现的异常规律图案，并且当用于训练模型的数据集缺乏足够的多样性时，其偏见会转移到生成的图像中，观察了人造图像与真实图像之间较高频率信号内容的显著差异。

Apr, 2023

本文研究了利用生成模型如 GANs 构建的合成影像，其在大脑肿瘤分割任务上与真实影像训练的性能差异，发现实验结果在一定数据量下合成影像可以很好地训练神经网络，而常用的评估合成影像的指标无法很好地预测其在特定任务上的性能。

Jun, 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

该研究提出了一种基于生成对抗网络的新型双阶段流水线，用于从医学图像数据中生成合成医学图像，并开发了 SynthMed 在线数据库以促进医学图像任务的发展。

Sep, 2017

该研究提出一种 “病理学家在环路中” 的框架，通过人工专家的反馈，将临床知识注入扩散模型，从而生成具有临床可信度的合成医学影像。

Jun, 2023