本文提出了一种名为MedGAN的新框架，利用对抗生成网络（GANs）的方法对医学影像进行图像翻译，以此来实现PET-CT图像转换，矫正磁共振运动伪影和PET图像去噪等不同任务，感知分析和定量评估结果表明，MedGAN比其他现有的翻译方法表现更优秀。
Jun, 2018
该研究提出了一种基于频域的图像翻译框架（FDIT），能够保留源领域的标志性特征，生成视觉质量更优且类真实的图像。
Nov, 2020
使用频域滤波器来指导扩散模型，以实现结构保留图像翻译的频率引导扩散模型（FGDM），同时在医学图像翻译中具有零样本学习的能力。 该模型在结构保留医学图像翻译任务中具有良好的性能。
Apr, 2023
本研究介绍了一种频率解耦的扩散模型（FDDM），通过在转换过程中将医学图像的频率分量在傅里叶域中分离，实现保留结构并高质量转换图像。通过公开的脑部MR-to-CT转换数据集进行了广泛评估，结果表明FDDM在产生高度逼真的目标领域图像的同时保持了翻译的解剖结构的准确性。
Nov, 2023
该研究提出了使用CycleGAN模型将神经图像从一种场强转化为另一种的方法，并将其与基于DCGAN结构的模型进行了比较，结果表明CycleGAN能够以较高的准确度生成合成和重构图像。
Dec, 2023
设计了一种新颖的分离的基于潜在能量的风格翻译（DLEST）框架，用于未配对的图像级MRI协调，包括（1）无场地相关图像生成（SIG），（2）场地特定风格翻译（SST）和（3）场地特定MRI合成（SMS）。
Feb, 2024
该研究论文引入了一种新颖且简单的频率分布损失（FDL）来解决深度学习图像转换方法中常见的问题，通过在频率域内计算分布距离来克服依赖像素级准确对齐的配对数据集所带来的挑战，并证明了FDL相比现有的鲁棒性较差的损失函数在图像增强和超分辨率任务中的优越性。
医学图像翻译中，自洽递归扩散桥(SelfRDB)通过使用以目标图像为基础、源图像为参照的前向过程，以及噪声调度和采样过程等创新方法，提供了优越的性能。
May, 2024
提出了一种级联多路径快捷扩散模型（CMDM），用于高质量医学图像翻译和不确定性估计，能够产生与最先进方法相媲美的高质量翻译，并提供与翻译误差相关的合理不确定性估计。
Apr, 2024
本研究针对多模态MRI数据集的获取难题，提出了一种交叉条件扩散模型（CDM），以提高医学图像翻译的合成质量和生成效率。通过设计模态特定表示模型和模态解耦扩散网络，CDM能够有效指导合成过程，实验结果显示该方法在BraTS2023和UPenn-GBM数据集上表现优越。
Sep, 2024