通过结合详细的心脏解剖分割模型和真实数据集，利用生成对抗网络（GAN）生成 3D 合成数据集来解决医学成像领域中的数据收集和标注困难，从而应对 3D 心脏超声图像数据稀缺问题，并展示了该方法在分割算法训练中的潜在应用价值。

Mar, 2024

本文提出了一种基于 XCAT-GANs 的方法，通过语义掩模引导下的图像生成技术，利用大量解剖学变异性的虚拟受试者合成心脏磁共振影像，得到了在下游心腔分割任务中提高性能的合成数据，通过 Hausdorff 距离和 Dice 分数的实验证明，使用合成图像可以降低误差，提高精度。

Jul, 2020

通过深度学习重建心脏组织模型可以用于计算心脏病理生理学，从而指导诊断和个性化治疗，该模型可以高效地用于计算流体力学模拟。

Jul, 2021

提出了一种利用 4D 重建方法进行心肌形态和运动状态估计的方法，通过解耦动作和形状，预测限制切片获得的稀疏点云序列的内部 / 间接形状和运动估计。

Aug, 2023

研究提出了一个用于模拟合成心肌速度映像（3Dir MVM）数据的混合深度学习网络，从而可以通过克服解剖和生物化学现象建模的复杂性，生成更加真实的医学信号，此算法可以用于现实的医学研究中。

Mar, 2022

本文提出了 GenerateCT 方法，它是第一个用于文本条件下的计算机体层摄影（CT）生成的方法，并且构建了一个包含预训练大型语言模型和基于变压器的文本条件 3D 胸部 CT 生成结构的框架。同时，我们提出了 CT-ViT 来更有效地压缩 CT 数据。实验结果表明 GenerateCT 可以根据医学文本提示生成逼真、高分辨率和高保真度的 3D 胸部 CT 体积，具有很大的潜力加速医学成像研究。

May, 2023

提出了一种深度合成方法，通过将外部患者表面估计作为条件合成来生成伪呼吸 CT 相位，以实现运动感知的治疗计划，并展示了其能够以与重复扫描的真实 4DCT 相位相似的准确性捕捉器官和肿瘤的运动。

Mar, 2024

介绍一种新颖的端到端方法，用于生成非敏感患者信息的医疗数据集，并提供基于扩散模型的生成方法，用于生成高保真度、完整性和长期的医疗影像数据样本，以实现隐私合规的心脏超声心动图数据集的生成。

Jun, 2024

通过计算模型和深度学习方法，我们提出了一种类型和形状解耦的生成模型，以捕捉不同先天性心脏病类型中观察到的广泛心脏解剖变化，并合成保留特定先天性心脏病类型独特拓扑结构的心脏解剖。

Nov, 2023

基于文本信息和解剖组成的方法生成基于文本提示的图像，并应用于多种下游任务。

Oct, 2023