FMRI 数据增强合成
该论文提出了一种生成合成 fMRI 序列的方法,以创建增强的训练数据集,并通过视觉化和自闭症谱系障碍(ASD)分类任务的评估结果表明,合成的任务特定 fMRI 可以在学习 ASD 分类任务中提供有效的数据增强。
Aug, 2023
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
本文主要介绍了使用生成对抗网络(GAN)进行医学图像合成的研究。作者总结了最近应用 GAN 进行交叉模态大脑图像合成的进展,包括 CT 合成 PET、CT 合成 MRI、MRI 合成 PET 以及相反的方向。
May, 2023
本文研究了利用生成模型如 GANs 构建的合成影像,其在大脑肿瘤分割任务上与真实影像训练的性能差异,发现实验结果在一定数据量下合成影像可以很好地训练神经网络,而常用的评估合成影像的指标无法很好地预测其在特定任务上的性能。
Jun, 2023
生成式人工智能模型在创建改进神经影像研究的合成脑 MRI 方面具有巨大潜力,但目前主要研究仅侧重于优化合成 MRI 的视觉质量,缺乏对其与神经科学的关联性的深入理解。然而,通过我们提出的新的生成模型 BrainSynth,我们首先实现了在 T1 加权 MRI 方面实现最先进视觉质量的元数据条件下(例如年龄和性别具体),并通过一种新的程序扩展了我们的评估方法,以量化解剖合理性,即合成 MRI 多少地捕捉到脑区的宏观结构特性,并且准确地编码了年龄和性别的影响。结果表明,我们合成的 MRI 中有一半以上的脑区在解剖上是准确的,即真实 MRI 与合成 MRI 之间存在很小的效应。此外,解剖合理性在皮层区域之间根据其几何复杂性而异。根据现有情况,我们的合成 MRI 可以显著改善卷积神经网络在独立研究中识别加速衰老效应的训练。这些结果突出了使用生成式人工智能来辅助神经影像研究的机会,并指出了进一步改进的方向。
Oct, 2023
本文技术为使用生成模型并结合任务驱动数据增强方法,显式地建模变形场和强化蒙版,用于为监督型深度学习模型训练新的 MRI 心脏分割训练数据,实验结果表明该方法在小样本数据的分割任务中表现优异。
Feb, 2019
这篇论文对合成数据增强技术进行了广泛评估,包括基于真实 3D 图形建模、神经风格迁移、差分神经渲染、生成对抗网络和变分自编码器等生成人工智能技术。对于每一种方法类别,我们关注重要的数据生成和增强技术、广泛的应用范围和具体的用例,以及现有限制和可能的解决方法。此外,我们总结了用于训练计算机视觉模型的常见合成数据集,强调主要特点、应用领域和支持的任务。最后,我们讨论了合成数据增强方法的有效性,并希望通过这篇详细的论文为读者提供必要的背景信息和深入了解现有方法及相关问题。
Mar, 2024
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
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