该研究提出了一种基于生成对抗网络的新型双阶段流水线，用于从医学图像数据中生成合成医学图像，并开发了SynthMed在线数据库以促进医学图像任务的发展。

Sep, 2017

本研究中，我们提出了一种使用生成性对抗网络通过在两个公共数据集上训练生成合成MRI图像的方法，以产生具有脑肿瘤的合成异常MRI图像。结果表明这些合成图像提供两个独特的好处，第一是作为数据增强的一种方式，可以提高肿瘤分割的性能，第二，证明了生成模型作为匿名化工具的价值，通过使用合成数据，实现了与实际患者数据训练具有可比性的肿瘤分割结果。这些结果为解决医学成像中机器学习面临的两个最大挑战，即病理发现的小发生率和患者数据共享的限制，提供了潜在的解决方案。

Jul, 2018

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

最近在生成AI方面取得的突破已经在多个领域，包括医学成像方面，取得了令人难以置信的进展。我们提出了MONAI生成模型，这是一个开放源代码的平台，可以帮助研究人员和开发人员轻松训练、评估和部署生成模型及相关应用。

Jul, 2023

使用自编码生成对抗网络（GANs）和条件生成对抗网络（CTGAN），提出了一种生成综合医疗记录（包括胸部X光图像和结构化表格数据）的方法。通过将GAN模型的编码器与原始数据库中的图像进行组合，成功生成了多样的综合X光图像和表格数据的合成记录，并通过可视评估、间记录距离分布和分类任务评估了生成的数据库。该方法有潜力在不损害数据二次使用的情况下公开发布合成数据集。

Aug, 2023

人工智能的进展推动了医疗保健领域的革命性变化，其中包括生成式人工智能模型，特别是转换器和扩散模型的应用。本综述旨在全面介绍生成式人工智能在医疗保健中的应用，重点关注转换器和扩散模型，并提出未来研究的潜在方向，以应对医疗保健部门的现有限制和不断变化的需求。作为对对生成式人工智能在医疗保健领域应用感兴趣的研究人员和实践者的全面指南，本综述提供了有关当前技术水平、面临的挑战以及未来发展方向的宝贵见解。

Oct, 2023

通过使用生成模型中的合成训练数据，本研究提出了一个全面框架，以提高医学图像分析的模型开发效果，同时解决数据稀缺、数据不平衡和患者隐私问题。通过在各种规模的数据集上进行测试，我们展示了生成模型作为数据增广方法的优势，以及通过敌对方法保护患者隐私以及使用实际留存数据进行模型测试的新型性能指标。我们证明了使用合成数据和真实数据进行训练优于仅使用真实数据进行训练，并且仅使用合成数据进行训练的模型接近仅使用真实数据进行训练的模型。

Oct, 2023

医学领域中的人工智能技术发挥着越来越重要的作用，特别是在医学成像领域，通过生成式人工智能可以增强图像质量并提高医学诊断和患者护理水平。

Mar, 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

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