本文提出基于距离感知扩散模型的 CT 图像辅助剂量预测方法，实现了精密的剂量预测和肿瘤区域或危险器官等区域的距离信息引入，同时采用了多编码器和多尺度融合网络技术，有效提高了预测效果，实验证明该方法在乳腺癌和鼻咽癌两个数据集上，性能优于现有的剂量预测方法。

Jun, 2023

利用扩散法剂量预测模型，深度学习技术有效地预测放射治疗计划中的剂量分布，通过提取解剖信息和预测噪声来保证预测准确性。

Jul, 2023

通过扩散模型为癌症患者的放射治疗剂量分布预测提出了一种方法 (DiffDose)，该方法通过正向和逆向过程分别将剂量分布转化为高斯噪音和去除噪音，从而有效地解决了现有方法中平滑问题和损失计算的限制。

Nov, 2023

为了提高放射治疗的剂量分布预测准确性，我们提出了一种基于 SwinTransformer 和投影器的剂量预测扩散模型，称为 SP-DiffDose。利用结构编码器从解剖图像中提取特征，通过条件扩散过程在多个尺度上融合噪声和解剖图像，并逐渐映射到剂量分布图。为了增强危险器官的剂量预测分布，SP-DiffDose 利用 SwinTransformer 在网络的深层中捕捉图像不同尺度的特征。通过设计的投影器对融合特征进行学习，提高了剂量预测准确性。在内部数据集上对 SP-DiffDose 进行评估，结果显示在多个评估指标上 SP-DiffDose 优于现有方法，展示了我们方法的优越性和普适性。

Dec, 2023

本研究旨在使用潜在扩散模型（Latent Diffusion Model）对 CT 进行 MRI 转换，并将常用的 U-Net 或 Transformer 骨干换成一种名为 Mamba 的状态空间模型。实验证明 DiffMa 在医学图像生成任务中表现出令人印象深刻的性能，并在输入缩放效率方面具有明显优势。

Jun, 2024

通过使用图像和大型语言模型（LLM）辅助的深度学习模型，本研究提出了一种将无结构图像转化为结构化图形的流程，并开发了一种名为 DoseGNN 的剂量图神经网络模型用于预测剂量体积直方图（DVH）。与放射治疗中广泛使用的 DL 模型相比，LLM 增强的 DoseGNN 模型在预测上取得了 Swim U-Net Transformer、3D U-Net CNN 和普通 MLP 的平方误差的 80％、76％和 41.0％的效果，并通过与临床医生的自然语言交互，实现了与治疗计划的无缝调整。

Feb, 2024

为了解决传统 attention 机制在高分辨率三维形状生成中的可扩展性问题，我们引入了一种新颖的基于 Mamba 架构的扩散生成模型（DiM-3D），通过利用 Mamba 架构的高效性和线性复杂度，DiM-3D 在维持线性复杂度的同时实现了快速推理时间和大大降低的计算需求，并在 ShapeNet 基准测试上实验结果证明其在生成高保真度和多样性的三维形状方面表现出卓越性能。

Jun, 2024

基于 SMM-CNN 混合结构的 Vision Mamba DDPM（VM-DDPM）用于医学图像合成，通过多级状态空间块（MSSBlock）、状态空间层（SSLayer）和交叉扫描模块（CSM）等方法，在三个不同规模的数据集上取得最先进的性能。

May, 2024

提出了一种结合了 Mamba 和扩散模型的高效高分辨率图像合成方法 DiM，使用 ``weak-to-strong'' 训练策略和无需进一步微调的上采样策略提高训练和推理效率。

May, 2024

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