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
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
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
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
通过将噪声图像和图像到图像对抗生成网络相结合，提出了一种新的数据增强方法，能够增强磁共振样本的真实性和多样性，经过 CNN 的肿瘤检测结果表明，该方法可以显著提高经典数据增强技术的敏感度和同时对其他医学影像任务有显著提升。
May, 2019
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
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
综合临床专业知识和深度学习技术，通过利用扩散模型生成的合成图像和真实图像相结合，文中通过基于 NAFLD 分类的实验表明，综合使用效果明显优于仅使用生成对抗网络（GANs）进行图像增广，达到了 0.904 的最佳图像级别 ROC AUC 性能。
Jul, 2023
深度生成模型在医学图像增强中的应用和潜力是本综述的重点，旨在通过人工合成更真实多样且符合数据真实分布的数据样本来改善医学图像分析中深度学习算法的性能，涵盖了三种类型的深度生成模型：变分自编码器、生成对抗网络和扩散模型。
Jul, 2023
介绍了一种新的数据增广框架，通过生成式深度学习方法生成大规模宏小结肝细胞癌的多参数（T1动脉，T1门静脉和T2）磁共振图像及其相应的肿瘤掩膜，所提出的方法在有限的多参数MRI三元组数据集上训练，生成了1000个合成三元组及其相应的肝脏肿瘤掩膜，Frechet Inception Distance得分为86.55，此方法是由法国放射学学会组织的2021年数据增广挑战中的获胜者之一。
Jul, 2023