A Survey of Emerging Applications of Diffusion Probabilistic Models in MRI

概率扩散模型（DPMs）采用明确的似然特征和逐步采样过程来合成数据，因其高质量和多样性而备受各种医学成像任务的青睐，尽管由于采样过程中涉及的步骤数量众多，其计算负担巨大。磁共振成像（MRI）是一种重要的医学成像模式，具有优异的软组织对比度和极佳的空间分辨率，具有扩散模型的独特机会。尽管近年来有越来越多的研究探索DPMs在MRI中的应用，但专门为MRI应用设计的DPMs的调查论文仍然缺乏。本综述旨在帮助MRI社区的研究人员掌握DPMs在不同应用中的进展。我们首先介绍两种主要DPMs的理论，根据扩散时间步长是离散还是连续进行分类，然后全面回顾MRI中新兴的DPMs，包括重建、图像生成、图像翻译、分割、异常检测和进一步的研究主题。最后，我们讨论了DPMs的一般限制以及MRI任务的特定限制，并指出值得进一步探索的潜在领域。

本文旨在介绍扩散概率模型在医学影像中的应用，特别是在磁共振成像（MRI）中的应用。论文旨在总结DPM在MRI中的应用现状，以及探讨其局限性和未来研究方向。

本文介绍了两种主要的DPM模型，离散时间步和连续时间步，并综述了DPM在MRI中的不同应用，包括重建、图像生成、图像翻译、分割、异常检测等。同时，本文指出了DPM在MRI中的一些局限性，以及未来研究的潜在方向。

本文的亮点包括：全面综述了DPM在MRI中的应用现状；介绍了两种主要的DPM模型，离散时间步和连续时间步；详细介绍了DPM在MRI中的不同应用，包括重建、图像生成、图像翻译、分割、异常检测等；指出了DPM在MRI中的一些局限性，以及未来研究的潜在方向。

最近在这个领域中，还有一些相关的研究，例如：1. "Generative Models for Multi-contrast MR Image Synthesis: A Systematic Review"；2. "Deep Learning for MRI Image Segmentation: A Survey"；3. "Deep Learning for Brain MRI Segmentation: State of the Art and Future Directions"。