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

通过扩展现有的视频扩散模型，基于语义解剖信息生成超声心动图视频的研究，在改进合成过程中整合空间调整归一化，以提高生成视频的逼真性和连贯性，并在 CAMUS 数据集上展示了优于标准扩散技术的性能。

Oct, 2023

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

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

通过结合详细的心脏解剖分割模型和真实数据集，利用生成对抗网络（GAN）生成 3D 合成数据集来解决医学成像领域中的数据收集和标注困难，从而应对 3D 心脏超声图像数据稀缺问题，并展示了该方法在分割算法训练中的潜在应用价值。

Mar, 2024

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

提出了一种结合 Denoising Diffusion Probabilistic Model (DDPM) 和 UNet 架构的 X-ray 图像合成方法，通过使用 3000 多张从 Kaggle 获取的肺炎 X-ray 图像进行训练，成功地生成了与非肺炎图像有明显差异的逼真图像，突出了模型捕捉正样本的关键特征的能力，该合成器能够生成高质量图像，有助于提高机器学习模型的性能，为医疗行业中的更准确、高效的医学诊断铺平道路。

Jan, 2024

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

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

通过在扩散模型中引入两个辨别器（扩散辨别器和频谱图辨别器），我们提出了一种音频合成模型，其在各项评估指标中均优于 FastSpeech2 和 DiffGAN-TTS，并通过结构相似性指数、梅尔倒谱失真、F0 均方根误差、短时客观可懂性、语音质量感知评估和主观平均意见得分等客观和主观度量对该模型进行了评估。

Aug, 2023