本文提出了一种名为MedGAN的新框架，利用对抗生成网络（GANs）的方法对医学影像进行图像翻译，以此来实现PET-CT图像转换，矫正磁共振运动伪影和PET图像去噪等不同任务，感知分析和定量评估结果表明，MedGAN比其他现有的翻译方法表现更优秀。

Jun, 2018

本文提出了一种基于不确定性引导的逐渐学习方案，通过将不确定性作为逐步训练的 GAN 的注意力图，逐步生成逼真的图像，并将其应用于 PET 到 CT 转换、MRI 重构和运动伪影校正等三个医学图像翻译任务中，实现了良好的性能提升。

Jun, 2021

本文提出了一种基于GAN的框架，其中(i)模型自适应损失函数以提高模型对OOD-噪声数据的鲁棒性，(ii)对预测的每个体素的不确定性进行了估计，在医学成像领域表现出优异的性能。

Oct, 2021

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

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

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

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

医学图像翻译中，自洽递归扩散桥(SelfRDB)通过使用以目标图像为基础、源图像为参照的前向过程，以及噪声调度和采样过程等创新方法，提供了优越的性能。

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

本研究针对当前医学图像合成中的深度生成模型面临的挑战进行了探讨，尤其是变分自编码器（VAEs）、生成对抗网络（GANs）和去噪扩散模型（DDMs）。通过分析这些模型的基本原理及其在临床相关问题中的应用，研究指出了其在图像生成任务中的优势与局限性，旨在为未来的医学图像分析提供新思路。

Oct, 2024