Jun, 2017

SegAN: 医学图像分割的多尺度 L1 损失对抗网络

PDF
TL;DR本研究提出了一种名为 SegAN 的端到端对抗神经网络，用于医学图像分割任务，它通过采用全卷积神经网络作为段分割器、提出一种新的对抗批判者网络，并使用多尺度 L1 损失函数来强制批判者和分割器学习全局和局部特征，从而实现更稳定、更有效的分割。在使用来自 MICCAI BRATS 脑肿瘤分割挑战的数据集进行测试后，表明 SegAN 具有优异的性能。
generative adversarial networks (gan)medical image segmentationneural networksmulti-scale loss functionbrats brain tumor segmentation challenge
发现论文，激发创造
  • 基于生成对抗学习的少样本 3D 多模态医学图像分割

    我们提出了一种基于生成对抗网络（GANs）的新方法，用于使用标记和未标记的图像训练分割模型，并针对神经影像学中的 3D 多模态医学图像分割问题进行了全面分析。在对 iSEG-2017 和 MRBrainS 2013 数据集进行试验后，我们报告了与完全监督训练相比的显着性能提高。

    Oct, 2018

  • 医学图像的生成对抗网络 (MI-GAN)

    本文提出了一种新的医学影像生成对抗网络 (MI-GAN)，可以用于合成视网膜图像及其分割掩模，以进行医学影像的监督分析，结果证明其在 STARE 数据集和 DRIVE 数据集上性能表现优异，达到了当时的最佳状态。

    Oct, 2018

  • 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

  • 基于生成对抗网络的皮损分割

    使用对抗学习的算法开发的可自动生成皮肤病变掩膜的 EGAN 算法，可应用于皮肤癌病变的计算机辅助诊断，其精度比当前最先进的基于皮损分割的方法高出 2% 的 Dice 系数，1% 的 Jaccard 相似度，和 1% 的准确度。

    May, 2023

  • 医疗影像生成对抗网络：综述

    本文综述了在医学图像方面使用对抗性训练方案的最新进展，这种方法利用生成对抗网络，能够在不显式建模概率密度函数的情况下生成数据，具有域自适应、数据增强和图像处理等优点。

    Sep, 2018

  • 基于 Unet-GAN 的医学图像分割领域偏移问题和供应商适配

    本文提出了一种基于 Unet-GAN 的通用框架，通过无需注释的跨供应商训练和适应性学习来解决困扰医疗场景下声图图像分割问题的难题。

    Oct, 2019

  • 基于语义感知的生成对抗网络在胸部 X 光分割的无监督领域自适应中的应用

    通过设计语义感知的生成对抗网络，将测试图像转换成源域的外观，保留语义结构信息，并实现语义标签空间内的嵌套对抗学习。通过生成对抗网络映射数据分布、循环一致性保留像素级内容以及语义感知增强结构信息，实现对两个不同的胸部 X 光公共数据集进行左 / 右肺分割的无监督领域自适应，创造性地解决了深度学习在 domain shift 上性能下降的问题，并与有监督的迁移学习性能相媲美。

    Jun, 2018

  • 使用生成对抗网络进行半监督和弱监督语义分割

    本文利用大量未标注或弱标注的数据和生成式对抗网络作为背景，提出了一种半监督框架实现语义分割，其中利用推理出的大量虚假图片来强化真实数据的特征聚类；同时，通过提供分类级别信息，提高 GAN 生成图像的质量，进而改善了像素分类，该方法经过在几个挑战性的基准视觉数据集上测试，表现与当前的最先进语义分割方法相当。

    Mar, 2017

  • GAN 增强：使用生成对抗网络进行训练数据增强

    本文使用生成式对抗网络（GAN）生成的合成数据来增加医学成像训练数据集的样本数量，从而提高监督式机器学习算法对图像分割任务的性能。

    Oct, 2018

  • 医学图像合成的对抗学习方法用于病变检测

    该研究提出了一种名为异常 - 正常翻译生成对抗网络（ANT-GAN）的医学图像合成模型，能够根据异常图像生成与之对应的正常图像，该模型在医学影像分割或分类任务中提供了有用的辅助信息，并且能够用于数据增强。

    Oct, 2018