通过引入生成对抗网络(GANs)的创新方法,我们提出了一种合成医学图像的方法,通过深度卷积神经网络(CNNs)架构的生成器和鉴别器网络以及对抗训练方法,即使在有限的真实医学图像数据训练下,也能生成逼真的合成图像,并成功模拟了真实医学图像的结构和纹理特征。
May, 2024
使用深度卷积生成对抗网络(DCGAN)合成高保真和逼真的 MRI 图像切片,为医学影像研究提供深度学习技术的应用。
Apr, 2024
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
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
使用生成对抗网络合成异常脊柱放射图像,通过临床分类任务证明了合成数据的实用性和有效性,并且引入临床损失项可以提高生成准确度和加速模型训练;对于中小型医学数据集,微分隐私实现会严重妨碍 GAN 的训练。
May, 2022
本文研究了利用生成模型如 GANs 构建的合成影像,其在大脑肿瘤分割任务上与真实影像训练的性能差异,发现实验结果在一定数据量下合成影像可以很好地训练神经网络,而常用的评估合成影像的指标无法很好地预测其在特定任务上的性能。
Jun, 2023
利用三维生成对抗网络(GANs)能够高效地生成高分辨率的医学体积,实现模型可解释性和应用,包括图像变形、属性编辑和样式混合,并在三维 HR-pQCT 示例数据库上进行了广泛验证。
Oct, 2023
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。
本文主要介绍了使用生成对抗网络(GAN)进行医学图像合成的研究。作者总结了最近应用 GAN 进行交叉模态大脑图像合成的进展,包括 CT 合成 PET、CT 合成 MRI、MRI 合成 PET 以及相反的方向。
May, 2023
使用生成对抗网络合成医学图像,然后将其用于合成数据增强以提高卷积神经网络在医学图像分类中的性能。
Mar, 2018