Feb, 2017

对抗网络用于侵入性前列腺癌的检测

PDF
TL;DR本文提出使用对抗网络结合全卷积神经网络进行语义分割，提高在小型数据集上的患有侵袭性前列腺癌的 MRI 图像的分割准确性。
semantic segmentationdeep learningadversarial networkprostate cancermri images
发现论文，激发创造
  • 使用对抗网络进行语义分割

    本文提出一种对语义分割模型进行对抗训练的方法，通过训练一个卷积语义分割网络和一个对抗网络，可以检测和纠正真实分割地图与分割网络产生的高阶不一致性，实验结果表明，我们的对抗训练方法可以在 Stanford Background 和 PASCAL VOC 2012 数据集上提高准确性。

    Nov, 2016

  • 用对抗训练和扩张卷积进行脑部 MRI 分割

    本文介绍了使用对抗训练方法改进卷积神经网络在 MRI 分割中的应用，结果表明该方法能够显着提高 MRI 分割的性能。

    Jul, 2017

  • 半监督语义分割的对抗学习

    本研究提出了一种采用对抗网络的半监督语义分割方法，通过设计全卷积判别器，辅以标准交叉熵损失，实现对未标记图像的信任区域的发现，提高了分割准确性。在 PASCAL VOC 2012 和 Cityscapes 数据集上的实验证明了该算法的有效性。

    Feb, 2018

  • 针对乳腺摄影的对抗深度结构网络质量分割

    本文提出了一种新型的端到端网络结构，采用完全卷积网络模型潜在函数，紧接着使用条件随机场来执行结构学习，结合位置先验信息和对抗训练方法，用于乳腺 X 射线图像的乳腺实质瘤分割任务，评估结果表明该算法性能优于当前最先进的方法。

    Oct, 2017

  • 针对乳腺 X 线照片结节分割的对抗性深度结构网络

    采用全卷积神经网络和条件随机场的端到端网络结构，在乳腺癌 X 光摄影图像分析中进行乳房肿块的分割定位，并采用对抗训练来防止过拟合，融合不同卷积核的 4 个模型可获得最优的分割效果。

    Dec, 2016

  • 我敢打赌你错了：用对抗网络进行结构化语义分割

    本文提出在语义分割中重新思考对抗训练，用正确性 / 错误性训练目标替代了预测结果的真 / 假鉴别模型，使用 ' 赌徒 ' 神经网络去发现和分配错误预测的区域，以重现表达不确定性和提高像素级和结构级测量指标。

    Aug, 2019

  • MR 图像分割的逼真对抗数据增强

    本文提出了一种对神经网络进行医疗图像分割的对抗性数据增强方法，生成真实信号失真来模拟由一种常见的造影剂称为偏差场引起的强度不均匀性，该方法可用于有监督和半监督学习中的一般分割网络的插件模块，并且在低数据情况下显著提高了模型的泛化能力和鲁棒性。

    Jun, 2020

  • 组织病理图像中多个器官核分割的深度对抗训练

    利用 cGAN 训练的条件生成模型，基于合成和真实数据，实现了针对不同器官、地点、患者和疾病状态的细胞核分割，优于传统方法。

    Sep, 2018

  • 语义分割模型对抗攻击的鲁棒性

    对现代语义分割模型的对抗攻击进行了深入评估，发现许多分类任务的观察结果并不能直接转移到更复杂的任务上，同时展示了深层结构模型中的平均场推理、多尺度处理等方法如何自然地实现最近提出的对抗性防御。这些发现有助于未来理解和防御对抗性攻击，并有效评估分割模型的鲁棒性。

    Nov, 2017

  • 基于深度生成对抗神经网络的逼真前列腺病变 MRI 合成

    利用生成对抗网络技术对前列腺病变 MRI 图像进行合成，采用 DCGAN 训练网络并探讨了潜在的表示方式。

    Aug, 2017