基于 Unet-GAN 的医学图像分割领域偏移问题和供应商适配
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
本文提出一种基于对抗学习的无监督域适应框架,通过一个域适应模块和一个域批判模块来实现不同模态医学图像分割的跨域问题,无需使用目标域标签信息,仅利用 MRI 图像训练的卷积神经网络适应非配对的 CT 数据来进行心脏结构分割,取得了良好的结果。
Apr, 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
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
本文提出了一种基于生成对抗网络的方法,通过在像素空间中学习一种转换方法,将源域图像适应为与目标域相同的样子,以解决渲染图像训练模型泛化性不强的问题。该方法不仅可以生成逼真的样本,而且在许多无监督域适应场景中均优于现有技术,并证明了适应过程对于训练期间未被观察到的物体类别的泛化性。
Dec, 2016
提出了一种具有理论保证的基于边界差异不一致性的无监督领域自适应框架 MDD-UNet,该框架在海马体分割任务上通过学习目标领域中与域无关的特征,实现了对标准 U-Net 的性能改善。
Dec, 2023
本文提出了一种新的数据有效的多域医学图像分割的深度无监督领域自适应方法,该方法结合了基于变分自编码器的特征先验匹配和域对抗训练,以学习共享的域不变潜在空间进行分割。在公共多模态心脏图像分割数据集上评估,在仅使用一个未标记的 3D CT 扫描的情况下,该方法在相同的设定下胜过现有的技术。最后,我们对先验匹配和域对抗训练进行了消融研究,以阐明所提出方法的理论基础。
Jul, 2019
通过使用生成对抗网络(GAN)技术,我们开发了一个名为 3DGAUnet 的新型 GAN 模型,用于合成胰腺导管腺癌(PDAC)肿瘤和胰腺组织的逼真的三维 CT 图像,以提高 PDAC 的形状和纹理学习,从而增强了 PDAC 肿瘤的准确性和早期检测的能力。
Nov, 2023
该研究提出了一种基于生成对抗网络(GANs)的新方法,以改进分割网络所学到的表示在合成和真实领域中的自适应,证明了其具有广泛性和可扩展性。
Nov, 2017
该研究使用对抗神经网络进行无监督的领域自适应来训练一种分割方法,此方法更加稳健,并且不需要对测试领域进行任何注释,该系统在对两种头部 CT 数据进行测试时,得到的分割精度非常接近于有监督领域自适应的上限。
Dec, 2016