本文探讨了一种基于黑盒神经网络的可解释性方法，提出结合梯度和属性的算法，生成类特定的蒙版，提升医学影像分割中的解释能力。研究表明，该算法在多模态磁共振成像的肿瘤分割任务中表现优越，提供局部和全局解释，帮助选择相关特征。

本研究探讨了基于条件扩散模型的腹部CT图像合成，评估了不同扩散模型和生成对抗网络的方法。结果表明，扩散模型生成的图像质量更高，结合语义掩码编码的效果优于简单拼接。此外，提出的Med-DDPM模型有效解决了医学成像中的数据稀缺和隐私问题，在肺部CT图像生成和医学影像分割中表现出色。

本文介绍了一种利用去噪扩散概率模型将肿瘤组织转化为健康组织的方法，基于MRI图像中的异常组织分析。该方法在验证集上表现良好，未来将扩展至整体修复感兴趣区域。研究还探讨了3D修复任务及其在MRI数据中的应用，提出了自监督去噪技术，并展示了其在医学影像分割中的有效性。

本文综述了自监督与对比学习在医学影像分割中的应用，涵盖局部对比损失、DirectCLR、DrasCLR、PCL、Alice及MCSC等框架，这些方法能在少标注条件下提升MRI和CT分割性能，Dice系数较半监督方法提高逾3%。

该文综述扩散模型在医学影像分割中的应用：DDMM实现无监督X光图像生成与数据增强；DDPM优于GAN，可合成视网膜血管样本；Med-DDPM解决3D数据稀缺与隐私问题；DermoSegDiff融入边界信息提升皮肤病变分割；小扩散步骤表示更鲁棒，利于半监督领域泛化；VerseDiff-UNet提升脊椎分割精度；DDPM预训练还可提升牙科影像标签效率。

本文介绍开源软件Comp2Comp，可从腹部CT自动测量骨骼肌、内脏脂肪和皮下脂肪，支持T12-L5及自定义切片分析，并综述多项相关研究，包括图神经网络预测脂肪体积、混合架构分割下肢肌肉、深度学习识别肾脏异常、少样本分割股肌、MSKdeX估算肌肉参数、AATTCT-IDS脂肪CT数据集、多器官分割质量与数量权衡、C-SliceGen生成椎体切片及机器学习用于腹部器官分类。