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

本研究利用3117个来自多个老年痴呆研究队列和记忆门诊的 MRI 扫描图像，通过在训练数据中加入更广泛的图像分布来考察深度学习模型在诊所数据集中的泛化能力，进而探究深度学习模型对于不同扫描仪、协议和疾病群体的影响。研究发现，更广泛的训练图像可以提高模型的泛化能力，并且未来的深度学习研究需要在多个外部队列上进行评估，以得到可靠的结果。

Nov, 2019

本研究旨在将大型预训练基础模型的表现能力扩展到特定的医疗概念中，通过研究Stable Diffusion模型的子组件，进而生成医学影像，并通过定量和定性的方法对模型效果进行评估。

Oct, 2022

通过使用生成模型以标签有效的方式从数据中自动学习逼真的增强，我们展示了这种方法如何通过改进领域通用性来提高医学成像数据的鲁棒性和算法公平性。

Apr, 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

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

通过提供医学成像领域基础模型的综合概述，本调查旨在帮助研究人员了解基础模型的基本概念、培训策略、计算要求以及在医学图像分析方面的机会、应用和未来发展方向。

Oct, 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

本研究针对医学图像分割中数据稀缺的问题，通过引入一种生成式深度学习框架，创新性地生成高质量的配对分割掩码和医学图像，作为训练鲁棒模型的辅助数据。实验结果显示，该方法在超低数据情况下表现出强大的推广能力，相较于现有方法，所需的训练数据减少了8到20倍，同时取得了10-20%的整体性能提升。

Aug, 2024

本研究针对深度生成模型在医学图像分析中的应用，揭示其在模式识别中的能力。我们提出了一种创新的方法，将临床数据转化为文本描述，并引入文本-视觉嵌入机制，使得生成模型能够有效利用信息。实验结果表明，该方法在捕捉特定属性对医学图像模式的影响上，具有显著的有效性和潜在的临床应用价值。

Oct, 2024