利用基于 GAN 的合成医学图像增强技术提高 CNN 在肝脏病变分类中的性能

Mar, 2018

利用基于 GAN 的合成医学图像增强技术提高 CNN 在肝脏病变分类中的性能

GAN-based Synthetic Medical Image Augmentation for increased CNN Performance in Liver Lesion Classification

Maayan Frid-Adar, Idit Diamant, Eyal Klang, Michal Amitai, Jacob Goldberger...

TL;DR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。

Abstract

deep learning methods, and in particular convolutional neural networks (CNNs), have led to an enormous breakthrough in a wide range of computer vision tasks, primarily by using large-scale annotated datasets. How

deep learning generative adversarial networks synthetic data augmentation computer vision medical image classification

发现论文，激发创造

使用 GAN 进行合成数据增强以提高肝脏病变分类

本文介绍了一种使用生成对抗网络生成合成医学影像的数据增强方法，该方法通过使用经典数据增强技术扩大训练集并应用 GAN 技术扩大数据大小和多样性。我们的方法在 182 个肝脏病变的计算机断层扫描（CT）图像数据集上进行了演示，并发现使用合成数据增强可以显著提高分类效果。

Jan, 2018

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

使用生成对抗网络进行医学图像合成的数据增强和匿名化

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

基于 GAN 的皮肤病变分析数据增广和匿名化：关键综述

使用生成对抗网络进行皮肤病变分析的数据增强试验仅在分布不同的测试集上表现良好，在数据匿名化方面也只在分布不同的测试集上表现良好。因此，对于医学应用需要谨慎使用此技术。

Apr, 2021

利用 GAN 增强医学图像从有限数据中合成逼真图像

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

Red-GAN: 通过有条件生成攻击类别不平衡 - 对皮肤镜检和脑部肿瘤 MRI 的医学图像合成的另一视角

通过基于生成对抗网络的数据增强协议，我们在像素级别和全局信息水平上对网络进行调节，以控制合成图像的外观，从而解决医学图像领域中被数据稀缺限制的问题，并通过将合成图像注入到训练集中来控制数据集类别的准确性水平。

Apr, 2020

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

生成对抗网络用于数据增强

使用生成对抗网络 (GANs) 来扩充医疗领域中用于训练人工智能模型的可用数据集是可行的，然而仍需在医学影像使用 GANs 方面进行更进一步的研究以确保生成的影像质量高并适用于临床环境。

Jun, 2023

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