使用监督 GAN 学习组织组织的生成模型
本文提出了一种新颖的 Generative Adversarial Networks(GANs)在荧光显微镜下细胞图像合成的应用,实现了多通道图像生成和通过静态图像预测时间演化。
Aug, 2017
本文介绍了一种使用深度学习生成虚拟训练数据集的方法,以解决显微镜数据分割的 GT 问题,为分析心肌细胞线粒体状态和行为提供了巨大帮助,并获得了二进制分割的 91% 的 IoU 分数。
Aug, 2020
通过提出新的鉴别器架构,利用跳过块和生成逼真的电子显微镜图像,解决了传统 pix2pix 条件生成对抗网络在生成逼真电子显微镜图像方面的问题。
Mar, 2024
MRI 扫描的磁共振成像和显微成像的跨模态增强具有潜力,可以在没有侵入性活检程序的情况下进行组织病理学分析。本文测试了一种使用条件生成对抗网络(cGAN)架构从 MRI 扫描中生成微观组织学图像的方法。该方法通过训练配对的图像转换模型,将 MRI 扫描和显微镜图像集合起来。通过可靠地合成胼胝体的组织学图像,这项技术突显了网络在训练高分辨率组织学图像和相对较低分辨率 MRI 扫描方面的能力。该工具的最终目标是避免活检,可用于教育目的。
Oct, 2023
本文提出了一种新的联合生成 - 对抗网络架构,通过学习细胞级别的视觉表示来执行无监督的细胞级别视觉表示学习,并利用这种学习开发了一种能够在骨髓数据集上进行组织病理学图像分类的流程。
Nov, 2017
本研究提出了一种无监督学习的方法,利用生成对抗网络(GAN)生成与真实组织学图像相似的组织学图像,以提高分类 CNN 的性能,该方法不仅能在缺少监督数据的情况下有效地进行癌症诊断,而且对于含有监督数据的情况仍能表现出色。
Dec, 2017
通过模仿生物进化的方式,本研究引入了一种名为 Generative Cellular Automata (GeCA) 的新模型系列,作为一种有效的补充工具,用于视网膜疾病分类的两种成像模式:Fundus 和光学相干断层扫描(OCT)。在 OCT 成像的背景下,GeCA 显著提升了 11 种不同眼科疾病的性能,相较于传统基线模型,平均 F1 分数提高了 12%。在相似的参数限制下,GeCA 优于融合 UNet 或基于 Transformer 的去噪模型的扩散方法。
Jul, 2024
提出了一种新的方法 ——GenEM,该方法是将物理准确的冷冻电镜模拟和生成式非成对噪声转换相结合,生成具有真实噪声的合成冷冻电镜数据集,用于改善高分辨率蛋白质结构的重建分辨率。
Dec, 2023
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