评估内存高效的医疗图像生成的效用：肺结节分割的研究
本文探讨使用神经扩散模型合成医学图像的可能性，结果表明扩散模型生成的图像可以翻译一些胸部X射线或CT图像中特定医学情况的特征，这是一项新的人工智能医学图像研究，展示了扩散模型在医学图像合成领域的潜力。
Nov, 2022
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
人工智能在生物医学成像和放射治疗方面的快速发展受限于大型成像数据仓库的有限可用性。该研究介绍了一种能够使用成对网络和条件编码器生成多个相关PET-CT-肿瘤蒙版配对的新颖架构，通过创新的时间步骤控制机制和“噪声播种”策略改善DDPM采样一致性。尽管我们的模型需要修改感知损失函数以确保准确的特征对齐，但我们展示了生成清晰对齐的合成图像并通过生成图像改善了分割准确性。
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
提出了一种利用潜在空间中的扩散进行医学图像分割的新型条件生成建模框架(LDSeg)，该框架利用目标对象形状和源图像嵌入的学习得到的低维潜在分布，从而实现准确的多维图像分割，同时解决了传统扩散建模分割中的内存消耗大、采样过程耗时和正反向过程中的不自然噪声注入等问题，在三个具有不同成像模态的医学图像数据集上取得了最先进的分割准确度，并表明与传统确定性分割模型相比，该模型对噪声更加稳健，有助于解决医学图像领域的域偏移问题。
Jul, 2024
本研究针对医学图像合成中的数据集多样性和准确性问题，提出一种基于多条件输入的合成图像生成框架。通过使用去噪扩散概率模型（DDPM），我们展示了该框架能够生成高度准确的肺部CT图像，能够以假乱真地欺骗专家，推动了医学图像生成领域的发展。
Sep, 2024
本研究解决了如何生成合成胸部X光图像以优化深度学习模型在分类和分割任务中的性能的问题。通过使用潜在扩散模型并结合放射科医师的反馈，提出了一种新方法来提升合成数据的质量。实验结果表明，合成数据在分类和分割任务中均显著提高了模型性能，具有重要的应用潜力。
Nov, 2024