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
本研究提出了一种基于DDPM的无监督去噪方法，可改善超声图像的质量并保留散斑纹理特征，在泛化对比噪声比和噪声峰值信噪比方面优于以往方法。
Jun, 2023
本文提出了两种基于学习先验的超声反问题模型，并通过实验证明从单个波束可以实现与DAS和最先进方法相媲美或更好的图像质量。
Jul, 2023
借鉴扩散模型的进展，我们提出了一种混合方法以改进超声成像质量，通过适应性去噪扩散恢复模型结合超声物理学和基于学习的方法，并在模拟、离体和体内数据上进行全面的实验，证明其较单一面波输入和现有方法相比实现了高质量的图像重建。
Oct, 2023
利用新型采样框架和先进的扩散模型，我们提出了一种从射频数据中重建图像的方法，以加速高质量图像的生成过程。通过实验评估，我们的方法在单平面波条件下胜过了具有75个平面波空间相干合成的传统延迟和求和(DAS)技术。
Dec, 2023
通过采用先进的扩散模型，我们在超声图像重建方面展示出了有效性，从而实现了采样步骤的大幅削减，所得结果与传统的扩散模型相比具有可比性。
通过结合超声线性直接模型和基于生成的去噪扩散模型的学习先验，提出了一种混合重建方法，可以实现高质量图像重建并有效地估计多普勒变化的声回声强度。
Mar, 2024
利用深度学习和数据到图像网络来改善超快速超声成像的图像质量，结果表明即使使用很少的训练数据，该网络架构也能在所有评估指标上提高单平面波图像的质量。
Apr, 2024
通过引入专门为超声成像设计的基于物理扩散模型，提出了一种改善生成超声图像质量的新方法，该方法结合了超声波传播自然行为的模拟方案，定性和定量结果表明该方法产生了更加合理的图像。
Jul, 2024
本研究针对超声成像中普遍存在的噪声与伪影问题，提出了一种新颖的方法，将自适应波束形成与去噪扩散模型相结合，以提升图像质量。实验结果表明，该方法在单平面波采集的图像重建上表现出了显著的优势，可能在医学成像领域产生重要影响。
Sep, 2024