生成增强三维医学影像

MedGen3D 是一个用于生成带医学掩模的三维医学图像的深度生成框架。

该框架通过生成多标签掩模序列并使用条件多条件扩散概率模型（MC-DPM）实现医学图像生成。

实验结果表明，MedGen3D 为下游分割任务提供了有价值的细致数据。

brainSPADE3D 是一种基于生成模型和合成数据的 3D 脑 MRI 和分割模型，旨在改善分割模型性能。

GEM3D 是一种新的深度、拓扑感知的 3D 形状生成模型，能够生成更准确的拓扑和几何信息。

Med-DDPM 是一种使用扩散模型进行语义 3D 医学图像合成的创新解决方案，解决了数据稀缺和隐私问题。

Make-A-Volume 是基于扩散的框架，用于体积式医学数据的交叉模态三维图像合成。

通过建立医学图像分割数据集和使用 Med3D 进行多域协同训练，可以加速训练收敛速度和提高准确度。

结合详细的心脏解剖分割模型和真实数据集，利用 GAN 生成 3D 合成数据集以应对数据稀缺问题。