我们提出了一种基于潜在扩散模型的综合生成模型（S$^2$LDM），该模型可以在推断过程中实现高保真度重建，优化了不同模态图像之间的相似性，并在对比增强区域生成更多细节的医学图像。

Jun, 2024

利用生成对抗网络 (GAN) 将原始的 T1 加权饱和脂肪胸部 MRI 图像转化为相应的首次动态对比增强 MRI 序列，生成合成对比增强图像，并通过定量图像质量度量来评估生成的数据质量，将其应用于三维乳腺肿瘤分割，结果表明通过数据增强方式合成后的动态对比增强 MRI 图像在增强乳腺肿瘤分割模型的稳健性方面具有潜力，代码链接见摘要。

Nov, 2023

该研究提出了一种使用条件扩散模型生成可控姿态的三维合成胎儿磁共振成像方法，并采用辅助姿态级损失来增强模型性能。实验证明，该方法生成的高质量合成胎儿磁共振成像能够准确识别胎儿姿态，并与真实胎儿磁共振成像比较具有竞争优势。此外，通过集成合成胎儿磁共振成像，可以提高胎儿姿态估计模型的性能，尤其适用于数据有限的情况下，相对于真实扫描数据，能够提高 15.4％的 PCK 值和减少 50.2％的平均误差。该方法有望更有效地解决胎儿运动问题，从而提高实时追踪模型的性能。

Mar, 2024

我们提出了一个名为 CnD 的两阶段框架，通过自监督对比学习获取功能磁共振成像数据的表示，并利用这些编码的数据重建视觉刺激，从而实现了基于人脑活动的可行的图像重建方法。

Sep, 2023

研究了生成潜在扩散模型在医疗成像数据生成方面的应用，评估了其对敏感病人培训数据的记忆能力并提出了缓解记忆的策略。

Jul, 2023

本研究提出了一种基于物理原理的扩散模型来生成高质量的扩散磁共振成像，引入了扩散过程中的噪声演化物理原理和基于查询的条件映射，并通过采用适配器技术引入 XTRACT 图谱作为白质束的先验知识，实验结果表明我们的方法优于其他最先进的方法，并具有推进扩散磁共振成像增强的潜力。

Jun, 2024

本文提出了一种基于物理驱动 CycleGAN 方法的非配对深度学习方法，用于在不需要单独进行动脉输入函数（AIF）测量的情况下，估计药代动力学参数和 AIF，实验结果表明该方法可以生成比其他技术更可靠的药代动力学参数。

Jun, 2023

利用深度学习方法，本文针对对比增强和图像合成的挑战，通过利用预处理对比度图像对的差异图中的对比信号提取和增强，在低剂量减影图像中回避噪声和伪影用以专注于对比信号，并可实现标准剂量之外的图像合成，同时基于最近扩散模型的嵌入思想来根据影响对比增强行为的物理参数对模型进行条件化，并在多个扫描仪、场强和对比剂的合成和真实数据集上验证了我们的方法的有效性。

Mar, 2024

提出了基于潜在扩散模型的多模态图像转换模型，通过使用切换块进行图像到图像转换，解决了临床实践中获取多种模态图像的难题，实现了高质量的目标模态生成。

Nov, 2023

人工智能基于图像分析在诊断组织病理学方面，尤其是癌症诊断方面具有巨大潜力。为了开发监督式人工智能方法，需要大规模的注释数据集。本研究提出了一种从自动提取的图像特征中构建结构化文本提示的方法。通过在提示中引入图像特征而不仅仅是正常和癌症标签，我们改善了 Fréchet Inception Distance (FID) 的性能，从 178.8 提升到 90.2。我们还表明，病理学家难以检测到合成图像，敏感性 / 特异性的中位数为 0.55/0.55。最后，我们展示了合成数据有效地训练人工智能模型。

Dec, 2023