通过使用神经 ODE 和 SDE 模拟疾病进展的图像流场，ImageFlowNet 框架能够学习多尺度联合表示空间，并通过结合患者群体来传递信息，从而在长期医学图像数据集中准确预测疾病进展。

Jun, 2024

通过时间性影像对临床结果或疾病严重性进行预测，利用自我注意力的 TCN 和自监督的视觉 Transformer 来学习最反映疾病轨迹的表示，并使用最大均值差异损失来校准时间和空间特征的分布以提高预测性能。

Mar, 2022

我们提出了一种新的医学图像数据集精华方法，通过设计新的渐进轨迹匹配策略提高了医学图像数据集精华的训练稳定性，并通过动态消除不同图像之间的重叠来改善合成数据集的多样性和最终性能，进而在各种模态和配置上建立了一个新的医学图像数据集精华基准，实验证明我们提出的方法相比之前的最先进方法平均提高了 8.33%，当 ipc=2 时，提高了 11.7%。

Mar, 2024

使用生成图像编辑来模拟数据集变化并诊断生物医学视觉模型的故障模式，无需额外的数据收集即可评估模型的鲁棒性。

Dec, 2023

基于医学影像的个性化医学，可以准确预测未来个体化临床疾病进展和治疗反应，对于长期、复杂、异质性的无法治愈的疾病（如多发性硬化症（MS））的医疗和药物开发具有巨大影响。本文提出了第一个用于建模疾病进展的连续时间因果框架，利用神经随机微分方程（NSDE）。该因果推断模型以患者的高维影像（MRI）和表格数据为输入，预测潜空间中不同治疗的真实和反事实进展轨迹。NSDE 允许估计高置信度的个性化轨迹和治疗效果。在多中心独家数据集上进行了大量实验，该数据集包括在多个随机临床试验中获得的患者 3D MRI 和临床数据。我们的结果展示了第一个基于不确定性的因果深度学习（DL）模型，可以准确预测未来患者的 MS 残疾发展（如 EDSS）和治疗效果，利用基线 MRI，并且可以发现在临床试验中没有达到临床终点的患者亚组，模型对他们的治疗反应具有高置信度。

Jun, 2024

提出了一种物理启发的对比学习范式（PIE）用于低光增强，通过解决现有学习方法对严格像素对应图像对进行训练的问题，使用非配对图像进行训练；通过物理启发的对比学习模块对低光增强进行负样本生成并设计了曲线包（BoC）方法，以生成更合理的负样本；通过提出无监督的区域分割模块，确保区域亮度一致性并消除对语义真值的依赖。PIE 可以有效地从非配对的正负样本中学习，并实现非语义的区域增强，与现有的低光增强方法有明显不同。在现有的开放数据集上进行训练和广泛的实验表明，我们的方法在六个独立的交叉场景数据集上优于现有的低光增强模型。PIE 在测试时间内运行速度快，计算量合理，易于在移动设备上使用。

Apr, 2024

医疗记录的时间序列中，通过使用马尔可夫生成模型来建模不规则的时间间隔，将临床治疗的子类型和疾病进展模式从数据中恢复和准确建模。

Nov, 2023

利用动态疾病进展推理生成精准准确的放射学报告，结合历史记录、时空信息和放射学图像，利用疾病进展图和动态进展推理机制，精确选择每个观察和进展的属性。

Oct, 2023

最近关于文本引导图像合成的研究取得了巨大的进展，改变了创意专业人员生成艺术性和美观性视觉资产的方式。为了全面支持此类创意努力，该过程应具备迭代编辑生成物和控制所需更改的空间范围（全局、局部或介于两者之间）的能力。为了克服当前图像合成和编辑中的一些不足，我们提出了 EMILIE：迭代多粒度图像编辑器。EMILIE 引入了一种新的潜在迭代策略，该策略重构了预训练扩散模型以实现迭代编辑。此外，我们还引入了渐变控制操作以实现多粒度控制。我们还引入了一个新的基准数据集来评估我们新提出的设置。我们对近期最先进的方法进行了详尽的定量和定性评估，并展示了 EMILIE 的能力水平。我们希望我们的工作能够引起对这个新确定的实际问题设置的关注。

Sep, 2023

本研究提出了一种名为因果轨迹预测（CTP）的新模型来克服现有机器学习模型在提供因果可解释预测和估计治疗效果方面的局限性，通过将轨迹预测与因果发现相结合，准确预测疾病进展轨迹并揭示特征之间的因果关系，从而加强模型的可解释性和为临床决策提供有价值的观察。

Aug, 2023