本文提出了一种通过心脏超声语义标签图引导的去噪扩散概率模型（DDPMs）生成合成图像的新型流程，展示了这些合成图像可以作为医学影像分析任务的深度学习模型训练中真实数据的可行替代品，包括图像分割，并在未见实际数据的数据集上进行了评估，与现有技术相比，Dice 分数分别增加了 9.09％，3.7％和 15.0％，该流程具有应用于各种医学成像模态的各种其他任务的潜力。

May, 2023

利用对抗去噪扩散模型和生成对抗网络，训练出具有高泛化能力的生成模型，实现医学图像域转换，生成适用于临床研究目的的超声心动图像。

Mar, 2024

利用最近的视觉 - 语言模型，通过文本和语义标签图引导，产生多样和逼真的合成心脏超声图像数据，以保留原始图像的关键特征。研究了无条件生成、文本引导生成和混合方法，并展示出合成数据中存在的丰富上下文信息可能提高下游任务的准确性和可解释性，例如改善指标和更快收敛的心脏超声图像分割和分类。实现部分含有检查点、提示和创建的合成数据集可公开获取。

Mar, 2024

该研究提出了一种名为 HeartBeat 的基于扩散的框架，用于可控和高保真度的 ECHO（超声心动图）视频合成，通过同时感知多模态条件，将这些条件分解为局部和全局条件，并使用两阶段训练方案解耦视觉概念和时间动态学习，以简化模型训练，该框架可扩展到其他广泛应用，如基于遮罩引导的心脏 MRI 合成。在两个公共数据集上进行的广泛实验证明了 HeartBeat 的有效性。

Jun, 2024

通过使用合成数据集和语义扩散模型，提高了视觉 - 语言分割模型在超声心动图分割中的性能。

Sep, 2023

生物医学领域中细胞分割和跟踪在癌症研究、药物开发和发育生物学中起到至关重要的作用，为了自动化这些过程，提出了基于深度学习的分割和跟踪方法，尤其是面对生物医学成像领域中有限的标注数据，我们提出了生物医学视频扩散模型（BVDM），它能生成逼真的细胞显微视频，并通过大规模合成数据集提高细胞分割和跟踪模型的性能。

Mar, 2024

介绍一种新颖的端到端方法，用于生成非敏感患者信息的医疗数据集，并提供基于扩散模型的生成方法，用于生成高保真度、完整性和长期的医疗影像数据样本，以实现隐私合规的心脏超声心动图数据集的生成。

Jun, 2024

提出了一种基于健康心电图数据训练的去噪扩散生成模型（DDGM），该模型注重心电图形态学和导联间的依赖关系。结果表明，这种创新型生成模型能够成功生成逼真的心电图信号。此外，还探索了使用 DDGM 解决线性逆贝叶斯问题的最新突破应用。这种方法能够开发出几种重要的临床工具，包括计算校正的 QT 间期（QTc）、有效抑制心电图信号的噪声、恢复缺失的心电图导联以及识别异常读数，从而实现心脏健康监测和诊断方面的重大进展。

Dec, 2023

本论文介绍了一个新的用于心脏超声检测的数据集 CAMUS，并评估了使用深度卷积神经网络方法自动分割心脏结构以及估计临床指标的效果，结果表明此方法优于传统非深度学习方法，但仍需改进，可用于 2D 心脏超声图像准确且自动化的分析。

Aug, 2019

该研究针对超声心动图视频分割，通过无监督领域自适应方法建立了 CardiacUDA 数据集，并引入了一种名为 GraphEcho 的新方法，利用心动周期一致性以及超声心动图视频的先验知识，通过空间交叉域图匹配和时间周期一致性模块，实现了对心脏结构的更好分割，实验证明 GraphEcho 优于现有的 UDA 分割方法。

Sep, 2023