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。