Nov, 2019

基于稀疏约束的生成对抗网络在视网膜 OCT 图像异常检测中的应用

PDF
TL;DR该论文提出了使用 Sparsity-constrained Generative Adversarial Network 的异常检测框架进行疾病筛查，该框架在只有健康数据的情况下进行监督学习，并通过稀疏性正则化网络进行限制。实验表明，该方法在疾病筛查方面优于现有的方法。
convolutional neural networkoptical coherence tomographydisease detectionanomaly detectionsparsity-constrained generative adversarial network
发现论文，激发创造
  • 使用生成对抗网络进行无监督异常检测以引导标志物发现

    运用无监督学习的方法，基于深度卷积生成对抗网络提出一种新的异常检测方案 AnoGAN，在视网膜光学相干断层成像（OCT）中成功地识别出包括视网膜液体或增强反射点在内的异常图像。

    Mar, 2017

  • 基于生成对抗网络的合成学习和用于脊柱放射线图像域的新型损失项

    使用生成对抗网络合成异常脊柱放射图像，通过临床分类任务证明了合成数据的实用性和有效性，并且引入临床损失项可以提高生成准确度和加速模型训练；对于中小型医学数据集，微分隐私实现会严重妨碍 GAN 的训练。

    May, 2022

  • 面向半监督医学图像异常检测的空间感知注意力生成对抗网络

    应用空间感知注意力生成对抗网络 (SAGAN) 对医学图像异常检测进行半监督生成，通过定位编码和注意力机制精确聚焦于修复异常区域并保留正常区域，利用生成的健康图像与原图像的差异作为异常分数，实验证明 SAGAN 在三个医学数据集上的性能优于现有方法。

    May, 2024

  • GANomaly: 通过对抗训练进行半监督异常检测

    使用条件生成对抗网络，将输入图像映射到较低的维度向量，从而最小化训练时这些图像和潜在向量之间的距离，学习正常样本的数据分布，并在推理时利用学习到的数据分布，在各种基准数据集上表现出比先前最先进方法更好的模型性能

    May, 2018

  • DR-GAN：糖尿病视网膜病变图像精细病变合成的条件生成对抗网络

    本文提出了一种通过生成对抗网络合成高质量的视网膜图像，以更有效地增加数据规模用于训练糖尿病性视网膜病变严重程度和病变分割模型的方法，并在多个数据集上进行了验证。

    Dec, 2019

  • 远程感知图像中的数据增强和适应的条件生成对抗网络

    使用 GAN 将给定的标记遥感图像拓展成更大的数据集并评测其对于物体检测任务的性能提升。

    Aug, 2019

  • GAN 增强：使用生成对抗网络进行训练数据增强

    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

  • 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

  • 基于 GAN 的皮肤病变分析数据增广和匿名化：关键综述

    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

  • 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