带病理解缠分和对抗学习的伪健康合成

Apr, 2020

带病理解缠分和对抗学习的伪健康合成

Pseudo-healthy synthesis with pathology disentanglement and adversarial learning

Tian Xia, Agisilaos Chartsias, Sotirios A. Tsaftaris

TL;DR本文介绍了一种基于分割图的模型，旨在从病理图像中创建主题特定的 “健康” 图像，该方法可以用于异常检测和疾病引起的变化理解。作者使用对抗训练的方法来量化和主观评估伪健康图像的质量，并通过实验表明该方法优于几种基线和文献中的方法。

Abstract

pseudo-healthy synthesis is the task of creating a subject-specific `healthy' image from a pathological one. Such images can be helpful in tasks such as anomaly detection and understanding changes induced by

pseudo-healthy synthesis pathology anomaly detection segmentation map adversarial training

发现论文，激发创造

基于深度生成模型的假健康图像重建用于异常检测的评估：以脑部 FDG PET 为例

基于模拟现实异常图像的伪健康重建方法的评估程序，旨在提前检测特定于痴呆症如阿尔茨海默病的神经退行性标志物。

Jan, 2024

健康是什么？用生成对抗扩散定位损伤的方法

本文提出一种使用生成扩散概率模型生成反事实图来推断脑病变像素级预测的方法，并且通过隐含指导和注意力调节来操作生成过程，从而提升了之前的方法。

Jul, 2022

脑图像的反事实生成和异常检测的扩散模型

通过弱监督方法生成病变图片的健康版本，并利用此图像生成像素级异常地图，以提升放射科医生的训练文件和分割模型的可解释性。

Aug, 2023

医学图像合成的对抗学习方法用于病变检测

该研究提出了一种名为异常 - 正常翻译生成对抗网络（ANT-GAN）的医学图像合成模型，能够根据异常图像生成与之对应的正常图像，该模型在医学影像分割或分类任务中提供了有用的辅助信息，并且能够用于数据增强。

Oct, 2018

通过对抗训练进行无监督逆域自适应，用于合成医学图像

提出了一种采用反向流的替代框架，其中采用对抗性训练使真实医学图像更像合成图像，并假设通过自我正则化可以保留临床相关特征。用这种方法解决了内窥镜深度估计这一困难任务，证明了这种领域自适应图像可以通过训练用合成图像构建的网络来准确地解释。

Nov, 2017

图像合成作为无监督组织病理学诊断的前置任务

本文提出了使用无监督生成式模型来进行异常检测的方法，并在数字病理学领域展示了其优势，实验证明这种方法比有监督模型更优秀。

Apr, 2021

自路径：有限标注病理图像分类的自监督学习

本文提出了一种自我监督的深度学习算法，采用 CNN 实现对病理图像的多任务分类，并结合具有内在标签的预处理任务来实现半监督学习和领域自适应。实验结果表明该算法在病理学图像分类任务中具有较高的性能表现，并能够适用于其他计算病理学应用领域中。

Aug, 2020

无监督组织病理图像合成

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

通过精细的图像文本对齐和解剖病理促进的医学图像合成

通过细粒度的图像 - 文本对齐和解剖病理提示，我们提出了一种新颖的医学图像合成模型，能够生成高度详细和准确的合成医学图像，我们验证了我们的方法在公共胸部 X 光数据集上的优越性，并展示了我们的合成图像保留准确的语义信息，对各种医学应用具有价值。

Mar, 2024

对抗生成学习实现无需目标模态基本事实的分割

本研究提出了一种新的端到端的合成和分割神经网络（EssNet），可以在不使用 CT 手动标签的情况下同时完成未配对的 MRI 到 CT 图像合成和 CT 脾肿大分割，相比于使用合成图像独立训练分割网络的两阶段方法（0.8801），以及使用 CT 手动标签的规范多张分割方法（0.9125）和 ResNet 方法（0.9107），EssNet 取得了显著更高的中位数 Dice 相似系数（0.9188）。

Dec, 2017