提出了一种基于Bernoulli扩散模型的医学图像分割方法，可以生成多样化的分割掩模，可以突出感兴趣的区域作为放射科医师的有价值的参考，并且在两个医学图像分割数据集中表现出比其他最先进的方法更好的效果。

Apr, 2023

该研究介绍了一种生成模型DDMM，可以在大量医学影像分割应用中实现无监督生成逼真的X光图像和相关分割结果，并提供数据增强来优化分割性能，优于其他采用数据中心化方法的技术。

Apr, 2023

本文中，我们提出了使用最近发展的去噪扩散生成模型建模的掩模先验来提高现有判别方法的语义分割质量。我们发现简单的集成扩散模型到语义分割中是不够的，并且一次差的扩散过程设计可能导致分割性能下降。我们通过多个实验表明，我们的方法在ADE20K和Cityscapes数据集上达到了较高的定量和定性性能。

Jun, 2023

本研究利用条件性传播模型中的类别信息来获取仅基于图像级注释的目标对象预测掩码，并且超越了先前的方法在两个公共医学图像分割数据集上的表现。

Jun, 2023

本文提出了一种用于医学图像合成的新方法，即EMIT-Diff，它利用最近的扩散概率模型生成逼真且多样化的合成医学图像数据，并确保合成样本符合医学相关约束并保留成像数据的底层结构。在多个数据集上进行的实验证明了EMIT-Diff在医学图像分割任务中的有效性，并展示了引入首个文本引导的扩散模型用于通用医学图像分割任务的可行性。

Oct, 2023

本研究侧重于使用扩散模型进行半监督图像分割，特别是针对领域泛化问题，结论表明较小的扩散步骤生成的潜在表示比较大的步骤更具鲁棒性，通过利用信息密集的小步骤和较大步骤的正则化效果生成预测，该模型在领域变化设置中表现出明显较好的性能且在领域内保持有竞争力的性能，突显了DDPM在半监督医学图像分割中的潜力并提供了优化其在领域变化下性能的见解。

Nov, 2023

本研究提出了一种基于条件得分的生成建模框架，用于医学图像分割，该框架依赖于分割掩模的参数化表面表示。实验结果表明，与其他常用的图像分割模型相比，我们的模型在分割准确度方面表现出色，并且由于其生成性质，还能够估计分割的不确定性以进行进一步的分析。

Dec, 2023

对扩散分割与图像生成之间的区别进行分析和讨论，重点关注训练行为，评估直接用于分割的扩散分割架构的表现，以及不同医学分割任务对扩散分割行为的影响及相应的扩散过程的调整方法。通过这些分析，旨在为未来扩散分割方法的设计和评估提供深入见解。

Mar, 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

通过稳定扩散（SD）模型，我们引入了第一个潜伏扩散分割模型——SDSeg，该模型在医学图像分割中克服了资源和时间需求大、多步反向过程和多个样本预测可靠性等挑战，实验证明它在包含不同成像模态的五个基准数据集上胜过现有的最新方法。

Jun, 2024