走向通用肿瘤合成
通过细胞自动机模拟肿瘤的发展过程，我们建立了一套通用规则，将肿瘤状态整合到原始计算机断层扫描图像中，生成了不同器官的合成肿瘤。经过临床读者研究和技术性评估，证明了合成肿瘤的真实性和早期癌症检测的潜力。
Mar, 2024
本研究利用合成肝癌在 CT 扫描中表现真实准确，以此训练 AI 模型实现肝癌分割，并且能够自动生成小型 (甚至微小的) 合成肝癌的多个样本，为提高肝癌早期检测成功率和评估 AI 鲁棒性提供新思路。
Mar, 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
AI 驱动的肿瘤分析通过引入节省肿瘤收集和注释成本的高效解决方案（FreeTumor）取得了显著进展，通过对大规模数据进行综合训练和扩展数据集，在肿瘤分割方面展现出了优越性能。
Jun, 2024
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
我们研究了基于条件扩散模型的腹部 CT 语义图像合成，并对三种不同的扩散模型以及其他基于生成对抗网络的方法进行了系统评估。实验结果表明，扩散模型能够合成具有更好质量的腹部 CT 图像。此外，将语义掩码和输入分别编码比简单拼接更加有效。
Dec, 2023
提出了一种通用可扩展模型，利用人工智能技术进行器官分割和肿瘤检测，具有强大的计算效率和泛化能力，同时能够适应多种公开数据集和新类别，减轻以往类别的遗忘。
May, 2024