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

使用具有转换器的漫反射概率模型（MC-DDPM）将磁共振成像（MRI）转换为高质量的合成计算机断层扫描（sCT），以便于放射治疗计划，并通过消除 CT 模拟和具有误差的图像配准，从而减少患者的辐射剂量和设置不确定性。

May, 2023

通过粗略到精细的正电子发射断层扫描重建框架，结合辅助指导策略和对比扩散策略，本文提出了一种优化低剂量 PET 图像的方法，改善了 LPET 图像与重建 PET 图像之间的对应关系，提高了临床可靠性。

Aug, 2023

利用深度学习的现代生物医学图像分析经常面临有限的注释数据的挑战，为了克服这个问题，可以使用深度生成模型来合成逼真的生物医学图像。通过提供粗略的层次草图，训练的去噪扩散概率模型（DDPM）可以生成逼真的近视视网膜光学相干断层扫描图像。此外，通过知识适应可以获得更准确的伪标签，对分割任务非常有益。通过这一方法，我们观察到层次分割准确性的持续改善，并通过各种神经网络验证。此外，我们还发现，仅使用合成图像训练的层次分割模型可以达到与仅使用真实图像训练的模型相当的结果。这些发现展示了 DDPM 在减少人工注释视网膜光学相干断层扫描图像的需求方面的潜在潜力。

Nov, 2023

该研究旨在发展一种新型的循环引导去噪扩散概率模型（Cycle-guided Denoising Diffusion Probability Model，CG-DDPM），用于跨模态 MRI 合成，并使用 BraTS2020 数据集定量评估。该方法在 MRI 合成中具有很高的准确性，并与几种现有最先进的网络进行了比较，证明了合成 MRIs 的图像质量的显著改进。该方法增强了当前多模态 MRI 合成方法的能力，为患者的更精确诊断和更好的治疗规划做出贡献。

Apr, 2023

本研究侧重于使用扩散模型进行半监督图像分割，特别是针对领域泛化问题，结论表明较小的扩散步骤生成的潜在表示比较大的步骤更具鲁棒性，通过利用信息密集的小步骤和较大步骤的正则化效果生成预测，该模型在领域变化设置中表现出明显较好的性能且在领域内保持有竞争力的性能，突显了 DDPM 在半监督医学图像分割中的潜力并提供了优化其在领域变化下性能的见解。

Nov, 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

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

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

本研究提出了一种基于扩散概率模型的全无监督低剂量 CT 图像去噪方法，该方法无需训练数据集，并且能够在保持图像内容一致的同时生成高质量的正常剂量 CT 图像，评估结果显示其性能比多个监督学习方法更优。

May, 2023