本文探讨使用最新的基于自动编码器的深度生成模型，例如变分自动编码器和对抗性自动编码器，在医学成像中运用于异常检测一项任务。结果表明，深度生成模型在异常检测方面存在挑战，但可以提供给研究人员一个方便的医学成像数据集。

Jun, 2018

该研究旨在通过稀疏采样计算机断层扫描图像的深度学习技术，以使在理想条件下最小化均方误差，从而解决成像中的逆问题；研究采用 2D 乳腺 CT 模拟，参加算法超过 60 组，并且测试结果使得重建精度比之前的基于 CNN 的研究有了两个数量级的提升。

Sep, 2021

提出了一种基于 generative 模型和 synthetic 数据的 3D 脑 MRI 和分割模型 brainSPADE3D，可以调节病理表型和对比度，生成高保真的合成图像和相关分割，以改善在数据中存在意外病变时的分割模型性能问题。

Nov, 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

本研究综述了生成模型在合成各种医学数据类型方面的广泛应用，探索了合成应用、生成技术和评估方法等方面的见解，强调了医学数据的唯一性和临床应用的需求。同时，研究也揭示了医学图像评估方法的不足之处，呼吁进行深入评估、基准测试和比较研究以促进开放和合作。

Jun, 2024

本文提出了一个用于生成带医学掩模的三维医学图像的深度生成框架 ——MedGen3D，该框架通过生成具有解剖几何的多标签掩模序列并对生成的掩模序列进行条件多条件扩散概率模型（MC-DPM）来实现。 然后，我们利用一个基于图像序列的生成器和语义扩散细化器，对由生成的掩模序列对齐的逼真的三维医学图像进行生成。实验结果表明，MedGen3D 为下游分割任务提供了有价值的细致数据。

Apr, 2023

深度生成模型在医学图像增强中的应用和潜力是本综述的重点，旨在通过人工合成更真实多样且符合数据真实分布的数据样本来改善医学图像分析中深度学习算法的性能，涵盖了三种类型的深度生成模型：变分自编码器、生成对抗网络和扩散模型。

Jul, 2023

通过研究利用深度学习的计算机辅助检测系统尽早检测乳腺癌在改善疗效和降低死亡率方面具有潜在优势，但限于数据的数量和异质性，我们提出了使用生成敌对网络的训练生成器来从多个中心共享数据，以此作为代替真实患者数据的潜在解决方案，在两种分类模型下，我们的实验表明，共享的生成敌对网络显著提高了变压器和卷积分类模型的性能，突出了这种方法作为中心之间数据共享的可行替代方法。

Mar, 2022

使用生成模型（特别是 PG-GANs 和 Stable Diffusion fine-tuning）生成合成胸部 X 射线图像进行医学诊断的可能性的探索。使用 Chest X-ray 14 数据集进行实验，并通过定性和定量分析评估我们的模型的性能，结果表明生成的图像具有可信度，可以用于提高分类模型的准确性。

May, 2023

即使合成图像在下游图像分类任务中导致性能下降，通过使用合成图像增强真实数据可以在数据稀缺情况下提升下游分类任务的表现，内容差距是这一现象的较大部分原因，我们提出了策略来更好地利用深度生成模型中的合成图像。

Nov, 2023