CVPRFeb, 2018

基于循环和形状一致性生成对抗网络的多模态医学体积转换和分割

PDF
TL;DR本研究提出了一种通用的交叉模态医学图像合成方法，通过端到端的三维卷积神经网络实现具有真实感的立体图像合成和分割任务，以便作为补充训练样本，进一步提高分类器的泛化能力，生成放射疗法计划所需的 X-ray 衰减图等。对 4,496 个 CT 和磁共振成像 (MRI) 心血管体积的广泛实验表明，两个任务相互促进，耦合这两个任务比单独解决它们更有利。
synthesized medical imagescross-modality synthesis3d convolutional neural networkradiation therapy planningvolume segmentation
发现论文，激发创造
  • 对抗生成学习实现无需目标模态基本事实的分割

    本研究提出了一种新的端到端的合成和分割神经网络（EssNet），可以在不使用 CT 手动标签的情况下同时完成未配对的 MRI 到 CT 图像合成和 CT 脾肿大分割，相比于使用合成图像独立训练分割网络的两阶段方法（0.8801），以及使用 CT 手动标签的规范多张分割方法（0.9125）和 ResNet 方法（0.9107），EssNet 取得了显著更高的中位数 Dice 相似系数（0.9188）。

    Dec, 2017

  • 使用 CycleGAN 从不成对数据中进行跨模态图像合成：梯度一致性损失和训练数据规模的影响

    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

  • 一种基于注意力机制的医学影像生成模型

    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

  • 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

  • 3D 多模 MRI 扫描中脑肿瘤的综合分割

    通过使用卷积神经网络和生成式对抗网络，研究人员成功地应用高对比度图像来增加自动分割 MRI 脑肿瘤的准确性，预测病人生存时间。

    Sep, 2019

  • SynSeg-Net: 无需目标模态的合成分割

    本研究提出了一种使用合成数据进行训练的图像分割方法，极大地减少了在新兴医学成像模态或疾病群中手动跟踪图像时的人工工作量，该方法通过对模态之间的无配对强度图像使用周期生成对抗网络和深度卷积神经网络进行端到端训练， 并在两个医学成像实验中取得了优秀的表现。

    Oct, 2018

  • 生成对抗网络三维骨骼图像合成

    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

  • 一种病理多模态 MR 图像和分割的 3D 生成模型

    提出了一种基于 generative 模型和 synthetic 数据的 3D 脑 MRI 和分割模型 brainSPADE3D，可以调节病理表型和对比度，生成高保真的合成图像和相关分割，以改善在数据中存在意外病变时的分割模型性能问题。

    Nov, 2023

  • 生成对抗网络用于大脑影像合成的综述

    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

  • 多通道循环生成对抗网络在 CBCT 到 CT 的合成中的应用

    用于改善图像质量并实现精确剂量计算的图像合成技术，通过多通道输入强调特定图像特征，有效应对 CBCT 成像中的挑战，并引入辅助融合网络以进一步提高生成 sCT 图像的保真度。

    Dec, 2023