本文使用生成式对抗网络(GAN)生成的合成数据来增加医学成像训练数据集的样本数量,从而提高监督式机器学习算法对图像分割任务的性能。
Oct, 2018
本文研究利用生成对抗网络减少领域适应在空中图像语义分割中的影响,并在实验中测试表明,在 Potsdam 领域(源领域)到 Vaihingen 领域(目标领域)的转变中,该方法将整体准确性从 35% 提高到 52%。
May, 2019
使用生成对抗网络 (GANs) 来扩充医疗领域中用于训练人工智能模型的可用数据集是可行的,然而仍需在医学影像使用 GANs 方面进行更进一步的研究以确保生成的影像质量高并适用于临床环境。
Jun, 2023
本研究提出了一个 VHSR SAR 图片数据库,并且探讨了基于补丁的城市和城市周边区域分类。使用大型 CNN 分类模型和预训练网络来确定有效性,此外还运用生成对抗网络来生成数据测试数据对分类精度的影响。
Nov, 2017
该论文概述了生成对抗网络 (GAN) 在农业图像分析中的应用,并对其在植物健康、水产养殖、动物饲养、果实检测等方面进行了系统回顾,讨论了 GAN 的挑战和机遇。
Apr, 2022
本文提出了使用生成对抗网络(GAN)生成机器学习任务的人工训练数据,以解决样本不平衡问题与个人隐私数据问题,在多个基准数据集上测试表明,使用 GAN 生成的训练数据进行决策树分类器训练可以取得与使用原始数据集训练 DT 相同或更好的准确性和召回率.
Apr, 2019
使用生成对抗网络进行皮肤病变分析的数据增强试验仅在分布不同的测试集上表现良好,在数据匿名化方面也只在分布不同的测试集上表现良好。因此,对于医学应用需要谨慎使用此技术。
Apr, 2021
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。
本文研究使用合成数据来增强面部数据集的可行性。我们提出了一种新颖的生成对抗网络(GAN),可以将相关身份属性与非相关身份属性区分开来。我们的 GAN 能够生成数据增强的合成图像,并且该模型可以提高面部识别模型的准确率。