该论文提出了一种自监督的去噪磁共振成像方法，称为DDM^2，通过将统计基础的去噪理论整合到扩散模型中，采用条件生成实现去噪。在实验中，该方法在4个真实的体内扩散MRI数据集上展现了卓越的去噪性能，用临床相关的定量和定性指标进行评估。

Feb, 2023

使用频域滤波器来指导扩散模型，以实现结构保留图像翻译的频率引导扩散模型（FGDM），同时在医学图像翻译中具有零样本学习的能力。 该模型在结构保留医学图像翻译任务中具有良好的性能。

Apr, 2023

通过扩展扩散模型，使用扩散桥模型作为一种自然替代方法，该模型通过从数据中学习扩散桥分数并解决基于这些分数的（随机）微分方程，将一种分布映射到另一种分布，从而实现图像编辑等应用中纳入非随机噪声信息的目标。

Sep, 2023

提出了基于潜在扩散模型的多模态图像转换模型，通过使用切换块进行图像到图像转换，解决了临床实践中获取多种模态图像的难题，实现了高质量的目标模态生成。

Nov, 2023

本研究介绍了一种频率解耦的扩散模型（FDDM），通过在转换过程中将医学图像的频率分量在傅里叶域中分离，实现保留结构并高质量转换图像。通过公开的脑部MR-to-CT转换数据集进行了广泛评估，结果表明FDDM在产生高度逼真的目标领域图像的同时保持了翻译的解剖结构的准确性。

Nov, 2023

利用对抗去噪扩散模型和生成对抗网络，训练出具有高泛化能力的生成模型，实现医学图像域转换，生成适用于临床研究目的的超声心动图像。

Mar, 2024

提出了一种级联多路径快捷扩散模型（CMDM），用于高质量医学图像翻译和不确定性估计，能够产生与最先进方法相媲美的高质量翻译，并提供与翻译误差相关的合理不确定性估计。

Apr, 2024

Fast-DDPM是一种简单而有效的方法，可同时提高训练速度、采样速度和生成质量，通过仅使用10个时间步进行训练和采样，相比DDPM，Fast-DDPM能够在医学图像生成任务中优于基于卷积网络和生成对抗网络的当前最先进方法，并将训练时间缩短了5倍，采样时间缩短了100倍。

May, 2024

本研究针对多模态MRI数据集的获取难题，提出了一种交叉条件扩散模型（CDM），以提高医学图像翻译的合成质量和生成效率。通过设计模态特定表示模型和模态解耦扩散网络，CDM能够有效指导合成过程，实验结果显示该方法在BraTS2023和UPenn-GBM数据集上表现优越。

Sep, 2024

本研究解决了合成数据集在深度学习图像分析中训练模型效率低下的问题。提出了一种新的$\Gamma$分布潜在去噪扩散模型（LDM），能够生成语义指导的合成心脏超声图像，显著提高计算效率。研究结果表明，该架构在保持或提升下游任务性能的同时，显著减少了计算成本。

Sep, 2024