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。