Jun, 2018

针对无监督域自适应的任务驱动生成建模：应用于 X 射线图像分割

PDF
TL;DR本文提出了一种通过学习自动解析 3D CT 扫描并将其应用于 X 光图像中的新模型框架 DI2I 和 TD-GAN，该框架在未见过的真实 X 光图像上实现了同时样式转换和解析的效果，且不需要 Topogram 标签即可实现 85% 的平均 Dice 精度，与有监督训练的 88% 相当。
automatic parsingx-ray imagesmulti-organ segmentationdi2itd-gan
发现论文，激发创造
  • CT 扫描中的多视角 X 射线图像合成与多域解缠

    通过引入内容和风格的解耦技术以及姿态注意力模块，利用 CT2X-GAN 方法，该研究提出了一种学习式的端到端合成 X 射线图像的方法，从而改善合成质量并使其更接近真实的 X 射线图像。

    Apr, 2024

  • 基于语义感知的生成对抗网络在胸部 X 光分割的无监督领域自适应中的应用

    通过设计语义感知的生成对抗网络，将测试图像转换成源域的外观，保留语义结构信息，并实现语义标签空间内的嵌套对抗学习。通过生成对抗网络映射数据分布、循环一致性保留像素级内容以及语义感知增强结构信息，实现对两个不同的胸部 X 光公共数据集进行左 / 右肺分割的无监督领域自适应，创造性地解决了深度学习在 domain shift 上性能下降的问题，并与有监督的迁移学习性能相媲美。

    Jun, 2018

  • SdCT-GAN：使用自主驱动生成对抗网络由双平面 X 射线重建 CT

    本文提出了一种新的自主驱动生成对抗网络模型（SdCT-GAN），通过引入鉴别器中的新型自动编码器结构，以及结合来自 2D X 射线图像的边缘信息的 Sobel 梯度引导器（SGG）思想，能够更好地保留细节并使用 LPIPS 评估度量量化评估重构图像的轮廓和纹理，实验证明了该模型相对于主流最先进基准模型的优势。

    Sep, 2023

  • X2CT-GAN: 用生成对抗网络从二平面 X 光线重建 CT

    使用生成对抗网络（GAN）框架从两个正交 X 射线重构 CT。所提出的特殊设计的生成器网络通过提供从 2D 到 3D 的数据维度增加，从而提高了医学成像技术。该方法不需要完整的旋转扫描并可以在低成本的 X 射线机上实现。在公开的胸部 CT 数据集上进行了广泛的实验评估，并获得较好的成果。

    May, 2019

  • 基于 AdaIN 的域自适应和知识蒸馏的 CXR 分割

    通过自适应实例标准化技术，同时进行域适应和半监督分割任务训练的单一生成器模型，达到胸部 X 光分割领域中未见效果，并且实现了最先进的分割效果。

    Apr, 2021

  • 去噪扩散医学模型

    该研究介绍了一种生成模型 DDMM，可以在大量医学影像分割应用中实现无监督生成逼真的 X 光图像和相关分割结果，并提供数据增强来优化分割性能，优于其他采用数据中心化方法的技术。

    Apr, 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

  • 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

  • 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

  • CG-3DSRGAN：一种用于低剂量 PET 图像质量恢复的分类引导 3D 生成对抗网络

    本文提出了一种基于分类引导生成对抗网络和超分辨率细化的方法来提高正电子发射断层扫描成像的质量。通过对低剂量数据的噪声水平特征的更全面理解，改进了图像合成，并在各种剂量减少因素下优于现有的方法。

    Apr, 2023