应用生成对抗网络对胸部病理 X 光进行深度神经网络分类的泛化

Nov, 2017

应用生成对抗网络对胸部病理 X 光进行深度神经网络分类的泛化

Generalization of Deep Neural Networks for Chest Pathology Classification in X-Rays Using Generative Adversarial Networks

PDF

Hojjat Salehinejad, Shahrokh Valaee, Tim Dowdell, Errol Colak, Joseph Barfett

TL;DR通过使用生成对抗网络进行病理图像的模拟，摆脱常见医疗问题过度呈现和罕见条件数据匮乏等问题，将生成的图像和真实图像结合，使用 DCNN 检测肺部 X 光片的五个类别，通过生成的图像均衡数据集，DCNN 的性能得到了提高。

Abstract

medical datasets are often highly imbalanced with over-representation of common medical problems and a paucity of data from rare conditions. We propose simulation of pathology in images to overcome the above limitations. Using chest X-rays as a model medical image, we implement a gener

medical datasets imbalanced data pathology simulation generative adversarial network deep convolutional neural network

发现论文，激发创造

基于 GAN 的胸部 X 光分类数据增强

本文探讨了在医疗领域电脑视觉技术中普遍存在的数据样本数量不足和分类失衡的问题，并通过使用生成对抗网络技术来增强数据集以改善网络性能，结果表明这种方法适用于低数据的情况，是值得进一步研究的领域。

Jul, 2021

基于生成对抗的单类分类器的异常胸部 X 射线识别

本文提出一种端到端的基于生成对抗一类学习的异常 X 光识别方法，使用三种深度神经网络建立了正常胸部 X 光图像的内在结构模型，实现了对异常胸部 X 光的准确检测和区分，取得了 0.841 的 AUC 得分。

Mar, 2019

使用生成模型生成胸部 X 射线数据的可行性评估

使用生成模型（特别是 PG-GANs 和 Stable Diffusion fine-tuning）生成合成胸部 X 射线图像进行医学诊断的可能性的探索。使用 Chest X-ray 14 数据集进行实验，并通过定性和定量分析评估我们的模型的性能，结果表明生成的图像具有可信度，可以用于提高分类模型的准确性。

May, 2023

利用 GAN 可视化胸部 X 光数据集偏差

本文提出了使用生成对抗网络（GAN）的框架，用于可视化两个人口统计子组别之间最不同的特征，从而解决由于胸部 X 射线数据集包含与受保护人口统计属性（如种族和性别）强相关的视觉特征而引发的公平性问题，因为这些因素可能被下游算法用于临床预测。

Apr, 2023

胸部 X 光片的多标记分类的强化级联卷积神经网络

本研究通过训练深度学习模型，提出了一种能够诊断 14 种疾病的级联深度神经网络，其表现优于基线并与其他已发布的方法竞争，探讨了针对 ChestX-ray14 数据集的训练 DCNN 的损失函数选取和使用级联建模标签依赖性以及提高深度学习模型准确性的问题。

Nov, 2017

使用密集卷积神经网络对胸部 X 光影像进行多标签分类的研究

本项目提出了一种基于 DenseNet 和 GRADCAM 的多标签胸透疾病诊断模型，能够在 X 线图像中准确检测出多种胸部病理，并实现了深度学习算法的模型可解释性。

Feb, 2022

基于条件补全 GAN 的乳腺 X 光分类数据增强

使用生成对抗网络的合成数据，结合传统数据增强方法来提高乳腺癌分类的性能。

Jul, 2018

3DGAUnet: 基于 3D U-Net 的 3D 生成对抗网络生成器，在胰腺癌的临床肿瘤图像数据中实现准确和有效的合成

通过使用生成对抗网络（GAN）技术，我们开发了一个名为 3DGAUnet 的新型 GAN 模型，用于合成胰腺导管腺癌（PDAC）肿瘤和胰腺组织的逼真的三维 CT 图像，以提高 PDAC 的形状和纹理学习，从而增强了 PDAC 肿瘤的准确性和早期检测的能力。

Nov, 2023

使用逐渐增长的 GAN 生成的合成胸部 X 射线的临床逼真度评估

提出了一种利用 GAN 进行胸部 X 光图像合成的方法，使用 Frechet Inception 距离量化合成图像的质量，并邀请放射学专家评估其临床真实性和多样性。

Oct, 2020

分享生成模型而不是私人数据：乳腺 X 光片补丁分类模拟研究

通过研究利用深度学习的计算机辅助检测系统尽早检测乳腺癌在改善疗效和降低死亡率方面具有潜在优势，但限于数据的数量和异质性，我们提出了使用生成敌对网络的训练生成器来从多个中心共享数据，以此作为代替真实患者数据的潜在解决方案，在两种分类模型下，我们的实验表明，共享的生成敌对网络显著提高了变压器和卷积分类模型的性能，突出了这种方法作为中心之间数据共享的可行替代方法。

Mar, 2022