Jul, 2018

使用渐进式生成对抗网络进行高分辨率乳腺X线摄影合成

HTML
PDF
TL;DR利用逐步训练的生成对抗网络生成最高达1280x1024像素的乳腺X线摄影图像，具有可视化效果，并且在医学影像领域有着广泛的应用前景。
发现论文，激发创造
  • 基于深度生成对抗神经网络的逼真前列腺病变MRI合成

    利用生成对抗网络技术对前列腺病变MRI图像进行合成，采用DCGAN训练网络并探讨了潜在的表示方式。

    Aug, 2017

  • 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

  • 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

  • 多尺度GAN用于内存高效生成高分辨率医学图像

    本文提出一种新的基于多尺度补丁的生成对抗网络方法，用于生成大型高分辨率的医学图像，尤其是3D体积，解决了GANs对于大规模医学图像的计算需求问题。

    Jul, 2019

  • 使用逐渐增长的 GAN 生成的合成胸部 X 射线的临床逼真度评估

    提出了一种利用 GAN 进行胸部 X 光图像合成的方法，使用 Frechet Inception 距离量化合成图像的质量，并邀请放射学专家评估其临床真实性和多样性。

    Oct, 2020

  • 使用生成对抗网络创建逼真的前段眼OCT图像

    本文介绍了开发和验证了一种生成对抗网络（GAN），旨在创建高分辨率，逼真的前节光学相干层析成像（AS-OCT）图像。作者使用经验丰富的屈光外科医生对这些生成的图像的逼真程度进行了评估，并证明了他们的实用性。此外，使用提高后的分辨率的生成图像进一步改善了它们的质量，增强了它们在机器学习和图像分析任务中的有效性。

    Jun, 2023

  • 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

  • 通过扩散模型生成乳腺摄影合成图像 MAM-E

    本研究提出了使用扩散模型生成高质量全场数字乳腺X线照片以及使用稳定扩散模型在健康乳腺照片上修复合成病变的方法，并引入了一个由文本提示控制的生成模型管道MAM-E，能够在乳房特定区域生成合成病变，并提供了对生成图像的定量和定性评估以及易于使用的图形用户界面用于乳腺X线影像合成。

    Nov, 2023

  • HAGAN：医学图像合成的混合增强生成对抗网络

    医学图像合成（MIS）在智能医疗领域起着重要作用，极大节省了医学诊断的经济和时间成本。我们提出了混合增强生成对抗网络（HAGAN），通过注意力混合生成器、分层鉴别器和鉴别器与生成器之间的反向跳跃连接来保持结构纹理和组织细胞的真实性，提高合成图像的病理完整性和局部特征的准确性。在COVID-CT、ACDC和BraTS2018三个不同规模的数据集上进行的实验评估表明，HAGAN优于现有方法，在高分辨率和低分辨率方面均达到了最先进的性能。

    May, 2024

  • 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