本文提出了一种通过心脏超声语义标签图引导的去噪扩散概率模型（DDPMs）生成合成图像的新型流程，展示了这些合成图像可以作为医学影像分析任务的深度学习模型训练中真实数据的可行替代品，包括图像分割，并在未见实际数据的数据集上进行了评估，与现有技术相比，Dice分数分别增加了9.09％，3.7％和15.0％，该流程具有应用于各种医学成像模态的各种其他任务的潜力。

May, 2023

通过使用合成数据集和语义扩散模型，提高了视觉-语言分割模型在超声心动图分割中的性能。

Sep, 2023

通过扩展现有的视频扩散模型，基于语义解剖信息生成超声心动图视频的研究，在改进合成过程中整合空间调整归一化，以提高生成视频的逼真性和连贯性，并在CAMUS数据集上展示了优于标准扩散技术的性能。

Oct, 2023

本研究通过对超参数进行广泛搜索，对超声心动图生成中的图像扩散模型进行了深入研究，旨在为超声影像和视频生成领域建立基准，并提供指南。通过采用先进的模型架构和训练方法，研究分析了真实样本和生成样本之间的分布差异，并提出了解决方案，对于在生成数据上训练高效模型至关重要。通过研究，确定了我们研究问题的最佳FID得分为0.88，并获得了2.60的FID。本研究旨在为超声影像和视频生成领域提供有价值的见解，并作为进一步发展的参考。

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

利用最近的视觉-语言模型，通过文本和语义标签图引导，产生多样和逼真的合成心脏超声图像数据，以保留原始图像的关键特征。研究了无条件生成、文本引导生成和混合方法，并展示出合成数据中存在的丰富上下文信息可能提高下游任务的准确性和可解释性，例如改善指标和更快收敛的心脏超声图像分割和分类。实现部分含有检查点、提示和创建的合成数据集可公开获取。

Mar, 2024

本文提出了一种视图无关的超声心动图分析方法，通过 prompt 匹配和预训练的视觉模型学习不同视图的专用提示，并利用预训练的医学语言模型将文本信息与像素数据对齐，以实现精准的分割，大量实验证明该方法在三个标准视图上明显优于最新的通用方法，并实现与同视图训练和测试的分割模型相当甚至更好的性能。

Apr, 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

该研究提出了一种名为HeartBeat的基于扩散的框架，用于可控和高保真度的ECHO（超声心动图）视频合成，通过同时感知多模态条件，将这些条件分解为局部和全局条件，并使用两阶段训练方案解耦视觉概念和时间动态学习，以简化模型训练，该框架可扩展到其他广泛应用，如基于遮罩引导的心脏MRI合成。在两个公共数据集上进行的广泛实验证明了HeartBeat的有效性。

Jun, 2024

本研究解决了心脏超声图像分割中数据依赖性的问题，提出了一种仅基于知识蒸馏的方法，使用合成数据进行模型训练。研究发现，该方法在分割性能上接近使用真实数据训练的模型，并在多项比较中表现优于现有方法，展现了无数据学习在医学影像分析中的潜力。

Sep, 2024