本文介绍了一种自主学习方法Patch2Self，用于去噪扫描数据，并展示了它在研究微结构建模，纤维束连贯性跟踪和模型估计方面的有效性。

Nov, 2020

该论文提出了一种自监督的去噪磁共振成像方法，称为DDM^2，通过将统计基础的去噪理论整合到扩散模型中，采用条件生成实现去噪。在实验中，该方法在4个真实的体内扩散MRI数据集上展现了卓越的去噪性能，用临床相关的定量和定性指标进行评估。

Feb, 2023

通过弱监督方法生成病变图片的健康版本，并利用此图像生成像素级异常地图，以提升放射科医生的训练文件和分割模型的可解释性。

Aug, 2023

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

使用最新的成像和高性能计算技术实现了在细胞水平对整个人脑进行成像，为研究人脑的多尺度结构（包括大脑区域和核团的划分、皮层层次、纵列和细胞群体）提供了基础。本研究提出了一种基于噪声扩散概率模型（DDPM）的模型，通过训练细胞染色切片的光镜扫描图像，能够可靠地填充缺失信息并生成高度逼真的图像信息，用于细胞统计和形态模式的分析，得到了验证。

Nov, 2023

通过在扩散模型上引入条件机制，对无监督异常检测中的脑部MRI图像重构进行优化，以提高重构质量、域适应性特征和分割性能，并且可在不同MRI采集和模拟对比度之间进行领域适应，从而提高脑部MRI无监督异常检测的性能和泛化能力。

Dec, 2023

通过使用去噪扩散概率模型，本文介绍了一种把肿瘤组织转化为健康组织的方法，通过自动分析磁共振图像中的异常组织，进而实现下游任务。我们的方法在验证集上取得了可比较的结果，平均结构相似性指数为0.7804，峰值信噪比为20.3525，均方误差为0.0113。未来将扩展这种方法，使其能够整体修复感兴趣区域而不会丢失邻近切片的上下文信息。

Feb, 2024

通过研究发现，即使微小的最坏情况扰动由替代模型传递而来，去噪扩散模型仍然能够生成可能误导临床医生的假组织结构，这种扰动的可转移性表明由于磁共振系统的不完善或其他噪声源，图像重构的鲁棒性可能会受到损害。此外，在更大的扰动强度下，扩散模型会产生与监督模型中观察到的不同且更具挑战性的类似高斯噪声的伪影，这强调了当前最先进的基于扩散的重构模型对可能的最坏情况扰动的脆弱性，并强调了在临床环境中改善其鲁棒性和可靠性的进一步研究的必要性。

Jun, 2024

本文针对现有深度学习方法在脑部MRI扫描中由于解剖多样性和像素级注释要求高而导致的异常检测困难，提出了一种改进的多通道条件去噪扩散概率模型（MCDDPM）。该模型在训练过程中利用健康图像的附加信息，显著提高了生成图像的保真度，且计算和内存需求与传统的DDPM系列模型相当。实验结果表明，MCDDPM在多个数据集上的表现优越，具备良好的应用潜力。

Sep, 2024

本研究解决了脑肿瘤分析中存在的脑损伤和MRI模态缺失问题。提出了一种新的条件3D小波扩散模型，为全分辨率图像训练与预测提供了稳定与高效的方法。实验结果显示，该方法在预测性能上有显著提升，具有良好的实用价值。

Nov, 2024