May, 2018

分布匹配损失在医学图像翻译中可以产生特征幻觉

HTML
PDF
TL;DR本文讨论了分布匹配损失在合成医学图像时的问题，因为医学数据中经常出现某些特定疾病或病人类别的过多或过少，从而导致了翻译模型与目标分布匹配的不准确性和未知情况，建议不能直接将这些转换的图像用于诊断。
发现论文，激发创造
  • 使用GAN进行医学图像翻译的MedGAN

    本文提出了一种名为MedGAN的新框架，利用对抗生成网络（GANs）的方法对医学影像进行图像翻译，以此来实现PET-CT图像转换，矫正磁共振运动伪影和PET图像去噪等不同任务，感知分析和定量评估结果表明，MedGAN比其他现有的翻译方法表现更优秀。

    Jun, 2018

  • 谐波不配对图像到图像的翻译

    本文提出使用HarmonicGAN进行无配对图像转换，通过光滑性约束来实现一致的像素映射，并利用距离度量来维护样本的自我一致性。在医疗成像、物体转换和语义标记等应用中得到了明显的定性和定量改善，并取得了优于同类方法的实验效果。

    Feb, 2019

  • 突破医学影像转换困境

    本篇论文提出一种新的无监督模式RegGAN，使用loss-correction理论解决medical image-to-image translation中图像对齐问题，对于包括医学影像在内的广泛场景中无须像素精确对齐的图像，RegGAN表现比Pix2Pix和Cycle-consistency更好。

    Oct, 2021

  • 关于从偏见和合成 CXR 图像的准确性角度看幻觉的观念

    利用 Stabile Diffusion 模型 (RoentGen) 对医学影像进行数据增强，并进行偏倚分析和幻像检测，结果发现生成的合成胸部X射线图像中存在分类偏差和幻像，指向了解释合成影像的新研究方向，以进一步理解相关风险和医学应用中的患者安全性。

    Dec, 2023

  • MRI图像翻译的CycleGAN模型

    该研究提出了使用CycleGAN模型将神经图像从一种场强转化为另一种的方法，并将其与基于DCGAN结构的模型进行了比较，结果表明CycleGAN能够以较高的准确度生成合成和重构图像。

    Dec, 2023

  • 医学图像分析领域广义化综述

    医学图像分析（MedIA）作为计算机辅助诊断系统中的关键工具，近年来随着深度学习（DL）的进步而崭露头角。然而，当训练良好的深度模型在不同的医学站点、模态和序列上部署时往往会遇到显著的性能下降，即域偏移问题。针对这一问题，医学图像域泛化（DG）旨在通过在未知数据分布中有效泛化和鲁棒地执行，解决域偏移挑战。本文对该领域的重要发展进行了综述，包括对域偏移和医学领域域泛化的正式定义以及几个相关设置的讨论。随后，我们从数据操作、特征表示和模型训练三个角度总结了最近的方法，并详细介绍了每个角度的一些算法。此外，我们介绍了常用的数据集。最后，我们总结了现有文献，并提出了一些未来的潜在研究课题。为了支持此次调研，我们还创建了一个GitHub项目，收集了相关资源，链接为：https://this-URL-github-project

    Feb, 2024

  • 重新思考医学图像转换的感知度度量

    对医学图像翻译的评估指标进行研究，发现感知度指标通常与分割指标不相关，但是像素级 SWD 指标在细微的内模态翻译中可能有用，结果表明需要进一步研究有助于医学图像翻译的评估指标。

    Apr, 2024

  • 医学图像翻译的串联多路径快捷扩散模型

    提出了一种级联多路径快捷扩散模型（CMDM），用于高质量医学图像翻译和不确定性估计，能够产生与最先进方法相媲美的高质量翻译，并提供与翻译误差相关的合理不确定性估计。

    Apr, 2024

  • 多种医学模态下的合成数据生成人工智能：最新发展及挑战的系统综述

    本研究综述了生成模型在合成各种医学数据类型方面的广泛应用，探索了合成应用、生成技术和评估方法等方面的见解，强调了医学数据的唯一性和临床应用的需求。同时，研究也揭示了医学图像评估方法的不足之处，呼吁进行深入评估、基准测试和比较研究以促进开放和合作。

    Jun, 2024

  • 图像分类距离转换：一种新颖的可解释特征

    本研究解决了传统黑箱分类网络缺乏可解释性的问题，提出了一种通过图像翻译网络进行图像分类的新方法。该方法通过量化图像在不同类别间的转换距离，为简单分类器提供有效输入，并展示出与传统卷积神经网络相当的分类准确性，同时揭示了训练集中类特征的潜在偏差。

    Aug, 2024