论文链接：https://arxiv.org/pdf/2211.07804.pdf

去噪扩散模型是生成模型的一种，近年来在各种深度学习问题中引起了广泛的关注。扩散概率模型定义了一个正向扩散阶段，在这个阶段中，输入数据通过添加高斯噪声在几个步骤中逐渐被扰动，然后学习反向扩散过程，从有噪声的数据样本中检索所需的无噪声数据。扩散模型因其强大的模式覆盖率和生成样本的质量而受到广泛赞赏，尽管它们已知的计算负担。利用计算机视觉的进步，医学成像领域也观察到对扩散模型越来越感兴趣。为了帮助研究者更好地理解这些模型，本综述对医学图像分析中的扩散模型进行了全面的综述。具体来说，我们首先介绍了扩散模型背后的坚实的理论基础和基本概念，以及三种通用的扩散建模框架，即扩散概率模型、噪声条件评分网络和随机微分方程。然后，我们对医学领域的扩散模型进行了系统的分类，并提出了基于它们的应用、成像方式、感兴趣的器官和算法的多视角分类。为此，我们涵盖了扩散模型在医学领域的广泛应用，包括分割、异常检测、图像到图像的翻译、2/3D生成、重建、去噪和其他与医学相关的挑战。此外，我们强调了一些选择的方法的实际用例，然后讨论了扩散模型在医学领域的局限性，并提出了满足该领域需求的几个方向。最后，我们在GitHub上收集了综述研究及其可用的开源实现。我们的目标是定期更新相关的最新论文。

内容中包含的图片若涉及版权问题，请及时与我们联系删除