本研究提出了一种结合可逆UNet和可逆注意力模块的新架构，旨在解决扩散模型在医学图像合成中的高计算资源需求问题。该模型在单个GPU上实现了内存高效训练，内存使用与数据集维度无关，能耗降低，并且在3D BraTS2020数据集上内存消耗减少15%，图像质量保持在最新水平。

该研究提出了多种基于扩散模型的医学图像合成方法，显著提升了病理图像的分辨率和分类能力，尤其在癌症诊断和临床应用中表现优越。这些方法无需数据注释，能够有效生成高质量的病理图像，改善机器学习模型的稳定性和准确性。

该研究提出了一种基于物理过程的生成模型家族（GenPhys），旨在扩展生成模型设计空间。通过引入约束条件，提高生成样本与约束的一致性，防止过拟合。研究还探讨了扩散概率模型在磁共振成像、图像去噪及医学图像合成中的应用，展示了其在生物医学领域的潜力。

本文介绍了多种基于 SMM-CNN 结构的医学图像合成方法，如 VM-DDPM、MDM 和 I2I-Mamba。这些方法在高分辨率图像生成方面取得了显著进展，通过新型模型和架构提升了生成质量和计算效率，尤其在多模式图像融合和高光谱图像分类任务中表现优异，展现了强大的泛化能力和应用潜力。

本研究提出了一种新的指标K-CROSS，用于评估跨模态医学图像合成。结合多模态分割网络和肿瘤编码器，构建了包含6000名放射科医生判断的数据集，实验证明该方法在性能上优于其他指标。

本文探讨了基于条件生成对抗网络（GAN）和深度学习的医学图像合成技术，旨在提高低剂量对比剂下的MRI图像质量。研究提出了新型迭代建模方法Gformer，结合注意机制和旋转位移模块，提升图像细节保真度。定量评估显示该模型在肿瘤分割等任务中表现优越，具有临床实用性。

该文综述扩散模型在脑影像与神经科学中的应用，包括胎儿脑MRI重建、基于fMRI的视觉图像重建、多模态MRI异常神经发育预测、大脑网络生成、跨模态三维医学图像合成、MRI超分辨率、脑功能网络长期变化估计及形状完成，展示其在神经影像分析与疾病诊断中的前景。

本文综述扩散概率模型在医学图像合成与分割中的应用：条件扩散模型可生成肠道息肉、结肠镜、视网膜OCT及心脏超声等合成图像，缓解数据稀缺与隐私问题；合成数据能提升分割模型精度，并支持半监督分割与领域泛化。

该文综述扩散模型在医学图像合成中的应用：结合病灶视觉与文本提示生成皮肤镜图像，质量与分割性能优于传统方法；利用图像特征构建文本提示以提升病理图像合成质量；DermSynth3D融合皮肤病模式与3D人体网格生成多视角图像；HistoDiffusion通过预训练与微调合成病理图像，使分类准确率提升6.4%；合成数据还可用于训练目标检测、生成腹腔镜图像，并生成伪标签以减少像素级标注需求。