本文探讨使用最新的基于自动编码器的深度生成模型，例如变分自动编码器和对抗性自动编码器，在医学成像中运用于异常检测一项任务。结果表明，深度生成模型在异常检测方面存在挑战，但可以提供给研究人员一个方便的医学成像数据集。

Jun, 2018

研究介绍了一个简单而彻底评估的深度学习框架，应用于任意医学图像体的分割，同时不需要任务特定的信息和人为干预。该系统基于一个固定的模型拓扑和固定的超参数集，排除了模型选择的过程和方法级别的过拟合。此外，使用多平面数据增强，结合了一个基于常见U-Net的2D架构，让2D模型学习表示3D图像体的表示方法，从而提高了泛化性能。

Nov, 2019

本论文提出一个创新的框架，利用半监督学习，生成对图像和标签的联合分布进行判别像素级任务，并通过少量标签图像和大量无标签图像的补充进行训练，该方法在医学图像分割和面部分割领域表现出强大的领域内性能，并展示了从CT到MRI等领域之外的广泛有效性。

Apr, 2021

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

交互式分割是医学图像分析中的一个关键研究领域，旨在通过引入人类反馈来提高昂贵注释的效率。近年来，基于深度学习的方法推动了结果的提升，并导致了该领域的快速增长。本综述提供了这一新兴领域的结构化概述，包括全面的分类、现有方法的系统综述以及对当前实践的深入分析。基于这些贡献，我们讨论了该领域的挑战和机遇，例如发现方法之间存在严重的比较缺乏，需要通过标准化基线和基准来解决。

Nov, 2023

介绍了一种基于生成模型的图像分割方法(GMS)，使用预训练的Variational Autoencoder(VAE)生成精确的分割掩膜，提供了医学图像分割的新标准，具有良好的领域泛化能力。

Mar, 2024

医学图像分割的注释高效学习与基础模型的挑战：综述与分析。

Apr, 2024

本研究综述了生成模型在合成各种医学数据类型方面的广泛应用，探索了合成应用、生成技术和评估方法等方面的见解，强调了医学数据的唯一性和临床应用的需求。同时，研究也揭示了医学图像评估方法的不足之处，呼吁进行深入评估、基准测试和比较研究以促进开放和合作。

Jun, 2024

本研究针对医学图像分割中U-Net架构在训练与测试数据分布不一致时性能显著下降的问题，探讨了使用小型化神经元细胞自动机（NCA）的新方法。实验结果表明，NCA在泛化能力上超越了传统方法，同时保持了良好的独立同分布（IID）表现，展现了其在医学影像领域的应用潜力。

Aug, 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