本文提出一种使用生成扩散概率模型生成反事实图来推断脑病变像素级预测的方法，并且通过隐含指导和注意力调节来操作生成过程，从而提升了之前的方法。

Jul, 2022

研究了生成潜在扩散模型在医疗成像数据生成方面的应用，评估了其对敏感病人培训数据的记忆能力并提出了缓解记忆的策略。

Jul, 2023

通过弱监督方法生成病变图片的健康版本，并利用此图像生成像素级异常地图，以提升放射科医生的训练文件和分割模型的可解释性。

Aug, 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

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

本研究解决了现有反事实解释方法在医学图像分析中的局限性，提出了一种基于扩散自编码器的直接操作潜在空间的新方法。这种方法不仅提高了模型的可解释性，还支持对疾病严重程度的顺序回归分析，展示了在医学影像数据集上优越的性能和多功能性。

Aug, 2024

本研究解决了因隐私和法规限制而获取患者数据困难的问题，提出通过基础模型生成合成医学影像的创新方法。通过应用潜在扩散模型，研究表明微调基础模型能够有效提高生成胸部X光片的质量与真实性，可能为医学影像生成领域带来重要影响。

Sep, 2024

本研究解决了现有医学影像生成模型在多模态可用性方面的限制，提出了一种新的以物理为指导的生成模型，能够合成多种脑MRI模态，甚至包括原始数据集中不存在的模态。实验结果表明，该方法有效生成了未见的MRI对比，并保持了物理上的合理性，具有重要的应用潜力。

Sep, 2024

本研究解决了医疗影像中深度学习模型在图像采集参数变化下的泛化性和鲁棒性问题。我们提出了一种使用条件去噪扩散生成模型生成反事实磁共振图像的新方法，此方法能在不改变患者解剖结构的情况下模拟不同的图像采集参数。研究表明，使用这些反事实图像进行数据增强可以提高分割精度，尤其是在分布外的设置中，从而增强深度学习模型在多样化影像条件下的泛化能力和鲁棒性。

Oct, 2024

本研究针对医疗图像数据稀缺的问题，提出了一种新的跳跃潜变量一致性模型（LLCM），该模型通过使用多样化的MedImgs数据集进行训练。其主要创新在于通过概率流常微分方程（PF-ODE）形式化逆扩散过程，从而实现实时高分辨率的医疗图像生成，且在无监管的狗心脏X光图像生成方面显著优于现有模型。

Nov, 2024