我们提出了一种半参数生成模型，用于预测基准图像后随后扫描中患者的解剖结构。该模型通过个体基因和临床指标的非参数模型，结合全群回归捕捉解剖学变化。我们演示了在ADNI队列中预测随访解剖扫描，并且说明了比较患者扫描和预测的个体化健康解剖轨迹的新分析方法。

Oct, 2020

通过系统回顾方法，本文介绍了在医学领域中生成和评估综合性纵向患者数据的17种方法，涵盖了从传统模拟技术到现代深度学习方法的范围，并讨论了开发综合性纵向数据生成方法的实际指南和关键考虑因素。

Sep, 2023

利用合成数据作为验证集，从而减少过拟合，简化AI模型选择，本研究展示了合成数据在早期肿瘤检测方面的有效性，以及在不同领域中用于增强AI的鲁棒性的潜力。

Oct, 2023

利用 Stabile Diffusion 模型 (RoentGen) 对医学影像进行数据增强，并进行偏倚分析和幻像检测，结果发现生成的合成胸部X射线图像中存在分类偏差和幻像，指向了解释合成影像的新研究方向，以进一步理解相关风险和医学应用中的患者安全性。

Dec, 2023

使用变分自编码器和倾向性评分回归相结合的方法生成合成数据，使其能够忠实地反映临床队列的结构和异质性。

Dec, 2023

提出一种基于非对比学习的新的纵向自监督学习方法3DTINC，利用特定于OCT的数据增强来学习3D光学相干断层扫描（OCT）体积的扰动不变特征，实验证明使用这种方法学习到的时间信息对于预测视网膜疾病（如年龄相关性黄斑变性（AMD））的进展至关重要，该方法对于从纵向体积扫描中预测疾病进展有着实际意义。

Dec, 2023

我们的研究提出了一种自我监督的强大机器学习框架OCT-SelfNet，用于使用光学相干断层扫描(OCT)图像检测眼部疾病，通过结合多个机构的数据集，采用两阶段训练方法（自我监督预训练和有监督微调），并基于SwinV2主干结构的遮罩自编码器解决了实际临床应用部署的问题。广泛的实验表明，我们的方法在所有测试中均获得超过77%的AUC-ROC性能，而基线模型Resnet-50的性能不到54%。此外，根据AUC-PR指标，我们的方法达到了42%以上的性能，相比基线模型的33%，性能提升了至少10%，这显示了我们方法的潜力和在临床设置中的实用性。

Jan, 2024

医学图像领域的生成潜在扩散模型具有广泛的应用，其中一个值得注意的应用是通过提出合成数据作为真实患者数据的替代品来实现隐私保护的开放数据共享。然而，这些模型容易遭受患者数据记忆化的问题，从而生成患者数据的副本而非新的合成样本，从而损害了保护患者数据的目的，甚至可能导致患者重新识别。针对这个问题的重要性，令人惊讶的是，在医学图像界中对此问题关注相对较少。为此，我们评估了用于医学图像合成的潜在扩散模型的记忆化问题。我们在CT、MR和X射线数据集上训练了2D和3D潜在扩散模型，用于合成数据生成。之后，我们通过自监督模型检查了训练数据记忆化的程度，并进一步研究了可能导致记忆化的各种因素，通过在不同设置下训练模型。我们发现，在所有数据集中，训练数据中有相当大的记忆化现象，分别在CT、MRI和X射线数据集中分别达到41.7%、19.6%和32.6%。进一步的分析表明，增加训练数据量和使用数据增强可以减少记忆化，而过度训练会增加记忆化。总的来说，我们的结果表明在共享开放数据之前应该进行记忆化受影响的合成数据评估。

Feb, 2024

通过使用神经ODE和SDE模拟疾病进展的图像流场，ImageFlowNet框架能够学习多尺度联合表示空间，并通过结合患者群体来传递信息，从而在长期医学图像数据集中准确预测疾病进展。

Jun, 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