本研究研究使用深度学习算法应对医院实际应用中出现的图像数据不完整情况的影响，检验MRI数据的有效性以诊断脑肿瘤，并证明基于不完整图像数据进行的深度学习分割模型可以在临床实践中应用。

Jun, 2022

为了解决由初始病态扫描引起的问题，参与者的任务是探索补全技术，将病态的脑部扫描合成健康的脑部扫描，这是BraTS 2023 inpainting挑战的目标。

May, 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

使用最新的成像和高性能计算技术实现了在细胞水平对整个人脑进行成像，为研究人脑的多尺度结构（包括大脑区域和核团的划分、皮层层次、纵列和细胞群体）提供了基础。本研究提出了一种基于噪声扩散概率模型（DDPM）的模型，通过训练细胞染色切片的光镜扫描图像，能够可靠地填充缺失信息并生成高度逼真的图像信息，用于细胞统计和形态模式的分析，得到了验证。

Nov, 2023

通过使用去噪扩散概率模型，本文介绍了一种把肿瘤组织转化为健康组织的方法，通过自动分析磁共振图像中的异常组织，进而实现下游任务。我们的方法在验证集上取得了可比较的结果，平均结构相似性指数为0.7804，峰值信噪比为20.3525，均方误差为0.0113。未来将扩展这种方法，使其能够整体修复感兴趣区域而不会丢失邻近切片的上下文信息。

Feb, 2024

利用基于小波的医学图像合成框架的扩散模型，可以在高分辨率下生成高质量的医学图像。

Feb, 2024

通过探索和扩展去噪扩散模型，本研究实现了对健康三维脑组织的一致修复，评估了其在磁共振影像中的回填效果，并在脑组织分割任务中优于现有的病变填充方法。

Mar, 2024

基于深度学习的脑肿瘤分割（BTS）模型在多模态MRI图像中取得了重要进展。然而，不完整的MRI模态造成分割成为一个具有挑战性的问题。为了解决这些问题，我们提出了一种新颖的方法，从两个方面增强BTS模型。首先，我们引入了预训练阶段，生成一个广泛覆盖肿瘤形状和大脑解剖不同组合的多样数据集。其次，我们提出了后训练阶段，使模型能够在只有部分模态可用时重建缺失的模态。通过大量实验证明，我们的方法显著改善了基线性能，并在三个脑肿瘤分割数据集（BRATS2020、BRATS2018和BRATS2015）上取得了新的最先进成果。

Jun, 2024

本研究针对现有医学图像研究中存在的任务局限性，提出了MedDiff-FM，一个基于扩散的基础模型，能够处理多种医学图像任务。该模型通过使用来自多个公共数据集的3D CT图像进行预训练，展示了在图像去噪、异常检测和图像合成等任务中的有效性，从而推动了医学图像分析的多样性与灵活性。

Oct, 2024