Oct, 2019

用于结直肠组织病理学图像数据增强的生成式图像转换技术

PDF
TL;DR使用循环一致生成对抗网络（CycleGANs）进行图像转换并生成人工合成结肠息肉图像，利用生成图像来增强数据集的训练效果，提高卷积神经网络（CNN）检测息肉的 AUC 值，该方法为解决组织病理学图像分类任务中数据不平衡问题提供了一种有效解决方案。
histopathologyimage translationdata augmentationcolorectal polypscycle-consistent generative adversarial networks
发现论文，激发创造
  • 结肠直肠癌预防的联合单侧合成异源图像转换与分割

    通过使用 3D 技术和生成对抗网络相结合产生逼真的合成图像，我们提出了 CUT-seg，将分割模型和生成模型相互训练以生成逼真图像并学习肠息肉分割。我们利用最新的单向翻译模型，因为它们使用的内存显著较少，可以在训练环节中添加分割模型。相较于其他内存密集型图像转换方法需要两阶段训练，CUT-seg 表现更好，计算成本更低，并且只需要一个真实图像和零个真实标注就能在五个真实肠息肉分割数据集上取得有希望的结果。作为本研究的一部分，我们发布了 Synth-Colon，一个完全合成的数据集，包括 20000 个逼真的结肠图像以及有关深度和 3D 几何的其他细节。

    Jul, 2023

  • 利用扩展和方向循环 GAN 增强结肠镜检查的损失图像转换

    使用深度学习框架，本研究提出了一种新的方法来实现 OC 和 VC 之间的图像 - 图像转换，并演示了在虚拟结肠镜检查，真实息肉和正常结肠视频序列以及 3D VC 模型中创造逼真的息肉的结果。

    Mar, 2020

  • 基于条件对抗网络的异常结肠息肉图像合成技术以提高检测效能

    利用有限的肿瘤训练图像，本文利用条件性对抗网络 (CANs) 框架通过生成合成肿瘤图像来提高研究的精度。使用边缘过滤器和可变卷积，其结构基于编码部分的多个膨胀卷积。经过测试，生成的肿瘤图像既真实且能有效提高肿瘤检测的性能。

    Jun, 2019

  • 用于结肠组织分类的交叉调制少样本图像生成

    提出了一种针对罕见癌变组织的组织图像生成方法，命名为 XM-GAN，可通过少量基础和参考图像生成高质量且多样化的图像，并用于组织图像分类任务中的数据扩增，表现优于基准分类器。

    Apr, 2023

  • 面罩条件下使用潜在扩散生成胃肠息肉图像

    为了解决医学领域数据难以获取的问题，本文提出了一种有条件的扩散概率模型（DPM）框架来生成合成的肠道息肉图像以及合成数据在二进制图像分割模型训练中的应用。研究结果表明，合成数据可以有效地帮助提高模型准确性。

    Apr, 2023

  • 基于腺体布局的结肠癌组织图像注释合成

    本文提出了一个交互框架，可从输入的腺体布局生成相应的组织组分掩模，从而生成逼真的结肠癌组织学图像对及其注释，验证了所生成的注释图像对的质量。

    May, 2023

  • 使用生成对抗网络进行医学图像合成的数据增强和匿名化

    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

  • 生成敌对网络用于视频到视频的域自适应

    本文提出了一种名为 VideoGAN 的生成对抗网络，用于跨不同域传输基于视频的数据，并通过对结肠镜数据的实验验证，表明我们的 VideoGAN 可以显著提高多中心数据集上结直肠息肉分割的精度，并可用于将图像从阴天转换为晴天的任务。

    Apr, 2020

  • 利用基于 GAN 的合成医学图像增强技术提高 CNN 在肝脏病变分类中的性能

    使用生成对抗网络合成医学图像，然后将其用于合成数据增强以提高卷积神经网络在医学图像分类中的性能。

    Mar, 2018

  • 从组织病理学图像生成细胞学图像的可行性研究

    通过使用生成模型，如 CycleGAN 和神经风格迁移，将公开可用的乳腺组织学样本转化为合成的细胞学图像，我们研究了医学影像领域中的自动化和深度学习技术的应用，通过测量 FID 和 KID 分数发现所生成的细胞学图像与真实的乳腺细胞学样本非常相似。

    Mar, 2024