Physics-Inspired Generative Models in Medical Imaging: A Review

本文审视了物理启发式生成模型在医学成像中的转化作用。首先，回顾了各种物理启发式生成模型，包括去噪扩散概率模型（DDPM）、基于分数的扩散模型和泊松流生成模型（PFGM和PFGM ++），重点介绍了它们的准确性、鲁棒性和加速度。然后，介绍了物理启发式生成模型在医学成像中的主要应用，包括图像重建、图像生成和图像分析。最后，探讨了未来的研究方向，包括物理启发式生成模型的统一、与视觉语言模型（VLM）的集成以及生成模型的潜在新应用。由于生成方法的发展非常迅速，本文希望能够及时为同行和学习者呈现这一新型物理驱动的生成模型家族的最新情况，并帮助充分利用它们在医学成像中的巨大潜力。

本文旨在探讨物理启发式生成模型在医学成像中的应用，主要解决如何利用这些模型进行图像重建、图像生成和图像分析等任务。

本文回顾了几种物理启发式生成模型，包括DDPM、Score-based Diffusion Models和Poisson Flow Generative Models等，重点介绍了它们的准确性、鲁棒性和加速性。并探讨了这些模型在医学成像中的应用，包括图像重建、图像生成和图像分析。

本文介绍了物理启发式生成模型在医学成像中的应用，包括图像重建、图像生成和图像分析。实验使用了多个数据集，并探讨了这些模型在加速和准确性方面的表现。此外，本文还探讨了物理启发式生成模型未来的研究方向，包括模型的统一、与视觉语言模型的整合以及潜在的新应用。

最近的相关研究包括：1）《A Survey of Deep Learning-based Medical Image Analysis on Brain MR Images》；2）《Medical Image Analysis using Convolutional Neural Networks: A Review》；3）《Deep Learning for Medical Image Analysis: A Review》等。