利用神经解码技术和新型图像生成的巨大进展，我们提出了一个两阶段场景重建框架（Brain-Diffuser），它能够从fMRI信号中推断出场景的低级特征和整体布局，随后通过潜在扩散模型生成最终重建的图像。该方法在公开数据集基准测试中表现出色，在应用（例如脑机接口）和基础神经科学方面都有深远的影响。

Mar, 2023

本研究开发了一种基于物理知识的深度学习方法来合成多种脑部磁共振成像（MRI）对比度，从而加速神经影像处理，并研究了该方法的泛化能力，该方法能够将五分钟的扫描数据合成为四种标准对比度，并且具有良好的泛化性能适用于加速神经影像处理的协议。

May, 2023

这篇研究提出了一种利用预先训练的扩散生成模型优化亚采样压缩感知多线圈磁共振成像的采样方式的学习方法，并证明该方法实现的采样运算符可以在不同的解剖结构、加速因子和模式类型的情况下实现具有竞争力，并且在2D模式下具有改进的重建效果。

Jun, 2023

基于扩散的框架Make-A-Volume用于体积式医学数据的交叉模态三维图像合成，通过利用2D骨干和插入一系列体积层，成功地解决了体积不一致和计算效率问题，实现了具有一致性的优质合成结果。

Jul, 2023

提出了基于潜在扩散模型的多模态图像转换模型，通过使用切换块进行图像到图像转换，解决了临床实践中获取多种模态图像的难题，实现了高质量的目标模态生成。

Nov, 2023

磁共振成像（MRI）应用领域中扩散概率模型（DPMs）的综述，包括DPM理论介绍、MRI中的重建、异常检测等方面，以及DPM的限制和未来研究方向。

Nov, 2023

X-Diffusion是一种为磁共振成像(MRI)数据量身定制的横截面扩散模型，能够从一张或少量多张MRI切片中生成完整的MRI体积，实现了从极度稀疏的观测得到合成MRI的精度方面的新突破。

Apr, 2024

我们提出了一种基于潜在扩散模型的综合生成模型（S$^2$LDM），该模型可以在推断过程中实现高保真度重建，优化了不同模态图像之间的相似性，并在对比增强区域生成更多细节的医学图像。

Jun, 2024

物理启发的生成模型，特别是扩散和泊松流模型，在医学成像中增强了贝叶斯方法，并有很大实用价值。本综述论文检查了这类生成方法的转变作用，首先回顾了各种物理启发的生成模型，包括去噪扩散概率模型（DDPM），基于分数的扩散模型以及泊松流生成模型（PFGM和PFGM++），着重介绍了它们的准确性、稳健性和加速度。接着，介绍了物理启发的生成模型在医学成像中的主要应用，包括图像重建、图像生成和图像分析。最后，对未来的研究方向进行了头脑风暴，包括物理启发的生成模型的统一化、与视觉语言模型（VLMs）的整合以及生成模型的潜在新应用。由于生成方法的发展迅速，本综述论文有望及时展示这个新型物理驱动生成模型家族并发挥它们在医学成像领域的巨大潜力，从而帮助同行和学习者对其有一个及时的了解。

Jul, 2024

本研究针对扩散MRI数据获取成本高以及时间长的问题，提出了一种新的深度生成模型生成dMRI数据的方法。通过图像映射任务，该方法能将3T的dMRI图像质量提升至7T，显著提高了图像生成性能，展示了这一新方法在改善dMRI成像标准方面的潜力。

Aug, 2024