该研究介绍了一种生成模型 DDMM，可以在大量医学影像分割应用中实现无监督生成逼真的 X 光图像和相关分割结果，并提供数据增强来优化分割性能，优于其他采用数据中心化方法的技术。

Apr, 2023

该论文介绍了 Med-DDPM，这是一种使用扩散模型进行语义 3D 医学图像合成的创新解决方案，解决了医学成像中的普遍问题，如数据稀缺、不一致的采集方法和隐私问题。

May, 2023

本篇论文提出了一种基于 DDPM 的新型框架，用于语义图像合成，通过条件扩散模型来处理语义布局与噪声图像，而引入分类器自由的引导采样策略来进一步提高了生成质量和语义可解释性。

Jun, 2022

该研究旨在发展一种新型的循环引导去噪扩散概率模型（Cycle-guided Denoising Diffusion Probability Model，CG-DDPM），用于跨模态 MRI 合成，并使用 BraTS2020 数据集定量评估。该方法在 MRI 合成中具有很高的准确性，并与几种现有最先进的网络进行了比较，证明了合成 MRIs 的图像质量的显著改进。该方法增强了当前多模态 MRI 合成方法的能力，为患者的更精确诊断和更好的治疗规划做出贡献。

Apr, 2023

Fast-DDPM 是一种简单而有效的方法，可同时提高训练速度、采样速度和生成质量，通过仅使用 10 个时间步进行训练和采样，相比 DDPM，Fast-DDPM 能够在医学图像生成任务中优于基于卷积网络和生成对抗网络的当前最先进方法，并将训练时间缩短了 5 倍，采样时间缩短了 100 倍。

May, 2024

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

利用深度学习的现代生物医学图像分析经常面临有限的注释数据的挑战，为了克服这个问题，可以使用深度生成模型来合成逼真的生物医学图像。通过提供粗略的层次草图，训练的去噪扩散概率模型（DDPM）可以生成逼真的近视视网膜光学相干断层扫描图像。此外，通过知识适应可以获得更准确的伪标签，对分割任务非常有益。通过这一方法，我们观察到层次分割准确性的持续改善，并通过各种神经网络验证。此外，我们还发现，仅使用合成图像训练的层次分割模型可以达到与仅使用真实图像训练的模型相当的结果。这些发现展示了 DDPM 在减少人工注释视网膜光学相干断层扫描图像的需求方面的潜在潜力。

Nov, 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

通过使用特定类型的扩散模型（DDPM）在合成孔径雷达（SAR）领域实现有条件和无条件图像生成，本研究表明 DDPM 在质量上以及定性和定量效果上都优于现有的基于 GAN 的方法，并展示了预训练对于提高 SAR 图像生成质量的益处。

May, 2024

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