该论文提出了一种基于深度学习的方法，通过合成图像并考虑年龄和阿尔茨海默病的状态，来模拟特定对象的大脑衰老轨迹，并展示了该方法在神经退行性疾病研究中的应用潜力。

Dec, 2019

生成式人工智能模型在创建改进神经影像研究的合成脑 MRI 方面具有巨大潜力，但目前主要研究仅侧重于优化合成 MRI 的视觉质量，缺乏对其与神经科学的关联性的深入理解。然而，通过我们提出的新的生成模型 BrainSynth，我们首先实现了在 T1 加权 MRI 方面实现最先进视觉质量的元数据条件下（例如年龄和性别具体），并通过一种新的程序扩展了我们的评估方法，以量化解剖合理性，即合成 MRI 多少地捕捉到脑区的宏观结构特性，并且准确地编码了年龄和性别的影响。结果表明，我们合成的 MRI 中有一半以上的脑区在解剖上是准确的，即真实 MRI 与合成 MRI 之间存在很小的效应。此外，解剖合理性在皮层区域之间根据其几何复杂性而异。根据现有情况，我们的合成 MRI 可以显著改善卷积神经网络在独立研究中识别加速衰老效应的训练。这些结果突出了使用生成式人工智能来辅助神经影像研究的机会，并指出了进一步改进的方向。

Oct, 2023

通过使用合成大脑年龄（SynthBA）模型，我们可以预测大脑的年龄并且在临床环境中更加广泛地应用，而不受获取方式变化的限制。

Jun, 2024

本研究使用经典方法和现代隐式生成模型对神经影像数据集进行了合成增广，能够 “改善预测 fMRI 模型的质量”，并且在预测认知和行为结果方面得到了较好的性能提升。

Jul, 2019

我们采用半监督扩散模型，在低质量的 T1w MR 图像上获得了年龄的预测结果与实际年龄之间 0.83（p<0.01）的相关性，这竞争力超过了最先进的非生成方法。此外，我们模型的预测结果与肌萎缩侧索硬化的生存期长度有显著相关性 (r=0.24, p<0.05)，从而显示了扩散模型在脑龄预测任务中的价值。

Feb, 2024

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

通过引入一种名为 BrainNetDiff 的新方法，结合多头变换器编码器从 fMRI 时间序列中提取相关特征，并结合条件潜在扩散模型进行大脑网络生成，从图像到图形的融合，显著提高了大脑网络生成的准确性和稳定性，验证了该框架在构建健康和神经学受损队列中的大脑网络方面的适用性，实验证明了该方法在下游疾病分类任务中的显著效果，突出了大脑网络研究的前景价值，特别是在神经影像学分析和疾病诊断中的关键意义，为多模态大脑影像数据处理提供了有价值的参考，并为神经影像领域引入了一种新的高效解决方案。

Nov, 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

扩散性胶质瘤的成长建模具有挑战性，本论文提出了一种新颖的端到端网络，可生成未来肿瘤掩模和不同治疗计划下肿瘤在任何未来时间点的真实磁共振成像。该模型基于尖端的扩散概率模型和深度分割神经网络，通过扩展扩散模型以包括顺序多参数 MRI 和治疗信息作为条件输入，指导生成扩散过程，以估算给定时间点的肿瘤成长。通过使用真实的手术后纵向 MRI 数据作为训练数据，在各种任务中验证了该模型的优异性能，包括生成带有肿瘤掩模的高质量合成 MRI，时间序列肿瘤分割和不确定性估计。结合治疗感知生成的 MRI，具备不确定性估计的肿瘤成长预测能够为临床决策提供有用的信息。

Sep, 2023

利用神经解码技术和新型图像生成的巨大进展，我们提出了一个两阶段场景重建框架（Brain-Diffuser），它能够从 fMRI 信号中推断出场景的低级特征和整体布局，随后通过潜在扩散模型生成最终重建的图像。该方法在公开数据集基准测试中表现出色，在应用（例如脑机接口）和基础神经科学方面都有深远的影响。

Mar, 2023