本文提出了一个用于生成带医学掩模的三维医学图像的深度生成框架 ——MedGen3D，该框架通过生成具有解剖几何的多标签掩模序列并对生成的掩模序列进行条件多条件扩散概率模型（MC-DPM）来实现。 然后，我们利用一个基于图像序列的生成器和语义扩散细化器，对由生成的掩模序列对齐的逼真的三维医学图像进行生成。实验结果表明，MedGen3D 为下游分割任务提供了有价值的细致数据。

Apr, 2023

提出了一种基于 generative 模型和 synthetic 数据的 3D 脑 MRI 和分割模型 brainSPADE3D，可以调节病理表型和对比度，生成高保真的合成图像和相关分割，以改善在数据中存在意外病变时的分割模型性能问题。

Nov, 2023

利用三维生成对抗网络（GANs）能够高效地生成高分辨率的医学体积，实现模型可解释性和应用，包括图像变形、属性编辑和样式混合，并在三维 HR-pQCT 示例数据库上进行了广泛验证。

Oct, 2023

GEM3D 是一种新的深度、拓扑感知的 3D 形状生成模型，通过神经骨架为基础的表示编码形状拓扑和几何信息，生成更准确的拓扑和几何信息的表面，并应用于形状综合和点云重建任务，取得了显著的表面重建和多样化形状生成结果。

Feb, 2024

利用切片扩散架构，从医学图像生成融合体数据和对应掩膜，以解决医学图像分割中数据获取不足的问题，并考虑肿瘤特征进行生成，通过对 BRATS2022 数据集的实验证明生成数据对数据增强的有效性。

Jun, 2024

研究了医学图像中操纵内容的侦测问题，提出了一个大型数据集 M3Dsynth，并展示了该数据集对于训练侦测器在各种情况下具有良好的泛化能力。

Sep, 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

基于扩散的框架 Make-A-Volume 用于体积式医学数据的交叉模态三维图像合成，通过利用 2D 骨干和插入一系列体积层，成功地解决了体积不一致和计算效率问题，实现了具有一致性的优质合成结果。

Jul, 2023

本研究为培训深度学习算法所需数据量的问题提出了一种解决方案，通过建立医学图像分割数据集和使用 Med3D 进行多域协同训练，可以加速涉及 3D 医学图像的任务的训练收敛速度和提高准确度。

Apr, 2019

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