利用深度学习的现代生物医学图像分析经常面临有限的注释数据的挑战，为了克服这个问题，可以使用深度生成模型来合成逼真的生物医学图像。通过提供粗略的层次草图，训练的去噪扩散概率模型（DDPM）可以生成逼真的近视视网膜光学相干断层扫描图像。此外，通过知识适应可以获得更准确的伪标签，对分割任务非常有益。通过这一方法，我们观察到层次分割准确性的持续改善，并通过各种神经网络验证。此外，我们还发现，仅使用合成图像训练的层次分割模型可以达到与仅使用真实图像训练的模型相当的结果。这些发现展示了 DDPM 在减少人工注释视网膜光学相干断层扫描图像的需求方面的潜在潜力。

Nov, 2023

光学相干断层扫描（OCT）通过提高形态结构解析能力，利用深度学习技术实现了基于医学图像的诊断与治疗。为了克服现有深度学习方法在图像重建中的频率偏差问题，本文提出了一种结合频率感知超分辨率框架，通过集成三个关键的基于频率的模块（频率变换、频率跳跃连接和频率对齐）及频率损失函数到条件生成对抗网络（cGAN）的方法。通过对一个现有的冠状动脉 OCT 数据集进行大规模定量研究，证明了我们提出的框架优于现有的深度学习框架。此外，我们还将该框架应用于鱼角膜图像和大鼠视网膜图像，证明了它在眼科成像中对解析形态细节的能力。

Jul, 2023

通过在预训练的自编码器的潜在空间中应用扩散模型，引入交叉注意力层到模型体系结构中，以更少的计算要求取得接近最优的性能，实现高分辨率合成，缩小像素级 DMs 对计算资源的需求。

Dec, 2021

利用潜在一致性模型（LCMs）解决迭代抽样过程在高分辨率图像合成中的计算负担和生成速度慢的问题，LCMs 通过直接预测导引反向扩散过程的 ODE 解决方案在潜空间中，实现了快速、高保真度的采样。

Oct, 2023

在本文中，我们提出了一种可行的光谱空间采集方法，该方法在保持高质量的图像重建的同时，在光谱和空间域中缩小了采样过程。此外，我们还提出了一种统一的多尺度重建框架，即多尺度光谱空间放大网络（MSSMN），用于解决高度缩小的 OCT 图像。我们的方法和多尺度重建框架相结合，可能允许在冠状动脉干预期间进行更快的 SD-OCT 检查，具有高分辨率。

Apr, 2022

我们提出了一种新的框架来纠正自然图像中降解纹理样本中的遮挡和扭曲问题，该框架通过从降级样本中合成整体纹理，扩展了基于样本的纹理合成技术的适用性。框架利用具有遮挡感知的潜变换器的条件潜扩散模型，既能够有效地编码部分观测样本中的纹理特征以完成潜扩散模型的生成过程，又能够明确地捕捉到具有大范围遮挡的样本中的长程依赖关系。实验结果表明，我们的框架在定量和定性方面显著优于现有方法。此外，我们进行了全面的消融研究，以验证我们建议的框架的不同组成部分。结果得到了感知用户研究的证实，并突显了我们提出方法的高效性。

Sep, 2023

研究了生成潜在扩散模型在医疗成像数据生成方面的应用，评估了其对敏感病人培训数据的记忆能力并提出了缓解记忆的策略。

Jul, 2023

提出了一种混合注意力结构的网络 (HASPN) 来实现对非采样光学相干断层扫描图像的超分辨率恢复，以加快图像采集速度，并在糖尿病性黄斑水肿视网膜资料集上验证了其良好的泛化能力。

Jun, 2024

稀疏视图计算机断层扫描（CT）图像重建是一种重要方法，可以降低辐射暴露，但必然导致图像质量下降。本研究引入了一种新的级联扩散与差异缓解（CDDM）框架，包括潜空间中的低质量图像生成和像素空间中的高质量图像生成，在一个步骤的重建过程中实现了数据一致性和差异缓解。级联框架通过将一些推理步骤从像素空间移动到潜空间，从而降低了计算成本。差异缓解技术解决了由数据一致性引起的训练 - 采样差距问题，确保数据分布接近原始流形。本研究还采用了专用的交替方向乘法器方法（ADMM）来处理图像梯度，提供了一种更有针对性的正则化方法。两个数据集上的实验结果表明，与现有方法相比，CDDM 在高质量图像生成方面具有更清晰的边界，并突出了该框架的计算效率。

Mar, 2024

本研究提出了一种基于卷积神经网络的半监督学习方法，利用光学相干断层扫描成像技术对视网膜疾病进行自动识别，并取得了良好的效果。

Oct, 2016