具有上下文感知的生成对抗网络医学图像合成
使用生成对抗网络(GAN)框架从两个正交 X 射线重构 CT。所提出的特殊设计的生成器网络通过提供从 2D 到 3D 的数据维度增加,从而提高了医学成像技术。该方法不需要完整的旋转扫描并可以在低成本的 X 射线机上实现。在公开的胸部 CT 数据集上进行了广泛的实验评估,并获得较好的成果。
May, 2019
本文提出了一种使用生成对抗网络(GAN)实现未配对 MR 和 CT 图像的合成的方法,可以利用其进行放射治疗等方面的治疗规划。经过定量评估,该模型能够合成接近参考 CT 图像的 CT 图像,并且能够超过使用配对 MR 和 CT 图像训练的 GAN 模型。
Aug, 2017
本文提出了一种新的自主驱动生成对抗网络模型(SdCT-GAN),通过引入鉴别器中的新型自动编码器结构,以及结合来自 2D X 射线图像的边缘信息的 Sobel 梯度引导器(SGG)思想,能够更好地保留细节并使用 LPIPS 评估度量量化评估重构图像的轮廓和纹理,实验证明了该模型相对于主流最先进基准模型的优势。
Sep, 2023
本研究介绍了一种利用合成 MRI 图像进行增强的单模态配准的方法,通过利用 CycleGANs 和特征提取器从 CT 扫描中生成这些合成 MRI 图像,该方法在多个比较度量标准上表现出优秀的结果,验证了其有效性。
Oct, 2023
本研究中,我们提出了一种使用生成性对抗网络通过在两个公共数据集上训练生成合成 MRI 图像的方法,以产生具有脑肿瘤的合成异常 MRI 图像。结果表明这些合成图像提供两个独特的好处,第一是作为数据增强的一种方式,可以提高肿瘤分割的性能,第二,证明了生成模型作为匿名化工具的价值,通过使用合成数据,实现了与实际患者数据训练具有可比性的肿瘤分割结果。这些结果为解决医学成像中机器学习面临的两个最大挑战,即病理发现的小发生率和患者数据共享的限制,提供了潜在的解决方案。
Jul, 2018
提出了一种基于注意力机制的双对比度生成模型 ADC-cycleGAN,其中加入了双对比度损失项和 $K$ 均值算法,用于多层次医学图像的合成,实验结果表明该模型具有较高的 PSNR 和 SSIM 值。
Jun, 2023
本文研究如何通过 MR-to-CT 合成技术提高诊断组织与骨骼疾病的精准度,结合 CycleGAN 及梯度一致性损失函数的方法有效提升了对骨骼的边界识别。
Mar, 2018
通过深度学习生成的人工合成 CT 图像可用于 MR 引导下的自适应放射治疗中的剂量计算和优化,提高治疗计划的模拟和自适应规划效率。
Dec, 2023
本文提出了一种基于条件生成对抗网络的多对比度 MRI 综合新方法,该方法通过对抗损失保留高频细节,通过对注册多对比磁共振图像的逐像素损失和对非注册图像的循环一致性损失提供增强的合成性能,利用邻近切片的信息进一步提高合成品质,实验证明其优于以前最先进的方法,可以提高多对比度 MRI 检查的质量和多样性,无需需要长时间的检查。
Feb, 2018