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

提出了一种基于 Radiation Diffusion Generation Model (RDGM) 的新型胎儿脑 MRI 高质量体重建方法，该方法利用 Neural Radiation Field (NeRF) 和超分辨率生成的扩散模型，使用预训练的 transformer 模型进行切片配准，进一步增强了体积的全局一致性和区分能力，实验结果表明该方法在真实世界胎儿脑 MRI 堆栈上表现出最先进的性能。

Oct, 2023

通过使用非衍射光束进行体积光学显微镜法，我们提出了 MicroDiffusion 工具，用于从有限的 2D 投影中进行高质量的、深度解析的 3D 体积重建。该方法融合了 INR 模型的结构连贯性和 DDPM 模型的细节增强能力，通过将 INR 和噪声输入之间的线性插值来指导 DDPM 的生成过程，从而提高了扩散过程的结构化 3D 信息，增强了本地化 2D 图像的细节，并在生成的 3D 重建中显著提高了保真度。

Mar, 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

通过准确的解剖学和病理定位控制，我们提出一种名为 XReal 的新型可控扩散模型，用于生成逼真的胸部 X 射线图像。我们的轻量级方法可以在预训练的文本到图像扩散模型中无需微调地无缝集成空间控制，保留其现有知识同时增强生成能力。XReal 在定量和定性指标上优于最先进的 X 射线扩散模型，根据专家放射科医师评估，解剖和病理逼真性分别提高了 13％和 10％。我们的模型有望在医学成像中推进生成模型，提供更高的准确性和适应性，并在这个不断发展的领域引发进一步的探索。大规模合成生成的带有注释和代码的数据公开可用于 this https URL。

Mar, 2024

磁共振成像（MRI）应用领域中扩散概率模型（DPMs）的综述，包括 DPM 理论介绍、MRI 中的重建、异常检测等方面，以及 DPM 的限制和未来研究方向。

Nov, 2023

通过使用多种扩散模型提取 k 空间域中的结构和细节特征，利用虚拟二进制模态掩码和倒金字塔结构来增强 MRI 重建质量，方法通过逐步细化逼近细节并采用级联训练数据分布来表示多尺度数据，从而有效地捕捉和呈现高分辨率的 MRI 图像。

May, 2024

基于扩散模型的框架实现了逆转因成像模态的特性而导致各向异性轴向分辨率的挑战，且无需参考数据或先验知识，通过利用 2D 扩散模型持续重建 3D 体积，在高度下采样数据中表现出优越性，并通过在两个公共数据集上的实验，证明了与监督学习方法相比利用生成先验的鲁棒性和优势。此外，还证实了自监督重建方法可以在无训练数据的情况下恢复单个各向异性体积。

Aug, 2023

本文探讨使用神经扩散模型合成医学图像的可能性，结果表明扩散模型生成的图像可以翻译一些胸部 X 射线或 CT 图像中特定医学情况的特征，这是一项新的人工智能医学图像研究，展示了扩散模型在医学图像合成领域的潜力。

Nov, 2022