Jul, 2020

MADGAN：使用多个相邻的脑 MRI 层面重建的无监督医学异常检测 GAN

PDF
TL;DR提出了一种无监督的医学异常检测生成性对抗网络（MADGAN）方法，使用基于生成性对抗网络的多个相邻脑磁共振成像切片重建来检测不同阶段的脑部异常，可在 T1 扫描中以 AUC 0.727 的曲线下面积检测轻度认知障碍（MCI）下的阿尔茨海默病，在晚期以 AUC 0.894 检测 AD，并可在 T1c 扫描中以 AUC 0.921 检测脑转移和其他疾病。
unsupervised learninganomaly detectionmagnetic resonance imaginggenerative adversarial networkalzheimer's disease
发现论文，激发创造
  • 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

  • 应用自编码器进行无监督的脑 MR 图像异常分割：一项比较研究

    本文旨在建立无监督异常检测的可比较性，利用单一架构、单一分辨率和相同的数据集评估不同方法，并提出未来的研究方向和挑战。

    Apr, 2020

  • 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

  • MAD-GAN：基于生成对抗网络的多元时序数据异常检测

    本文提出了一种基于生成对抗网络（GANs）的无监督多变量异常检测方法（MAD-GAN），并在 SWaT 和 WADI 数据集上进行了实验，结果表明该方法能够有效地检测这些系统中各种形式的入侵。

    Jan, 2019

  • 基于 PGGAN 的无限制脑部 MR 图像数据增强用于肿瘤检测

    本研究使用生成对抗网络（GAN）通过 Progressive Growing 技术生成 256x256 大小的 MRI 图像，结合传统数据增强技术可以有效地提高脑肿瘤检测的性能及在医学成像任务中的应用。

    Mar, 2019

  • 合成脑图像：用生成对抗模型弥合脑部映射中的差距

    使用深度卷积生成对抗网络（DCGAN）合成高保真和逼真的 MRI 图像切片，为医学影像研究提供深度学习技术的应用。

    Apr, 2024

  • GAN 迁移学习：将标注和未标注数据结合进行 GAN 数据增广

    利用带标签和未标签数据结合的生成对抗网络模型进行医学影像分割，验证了该方法在阿尔兹海默病数据集上可以有效提高灰质深部结构分割的准确性。

    Nov, 2018

  • 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

  • 一种基于注意力机制的医学影像生成模型

    提出了一种基于注意力机制的双对比度生成模型 ADC-cycleGAN，其中加入了双对比度损失项和 $K$ 均值算法，用于多层次医学图像的合成，实验结果表明该模型具有较高的 PSNR 和 SSIM 值。

    Jun, 2023

  • 基于条件 PGGAN 的数据增强技术学习少量数据量提高基于 MR 图像高度粗略注释的脑转移瘤检测

    使用基于生成对抗网络（GAN）的数据扩充技术，提出了一种将高精度标注逐渐添加至 GAN 的算法来定位 MR 图像中的肿瘤区域，实现基于卷积神经网络的脑部肿瘤检测，结果显示该技术可以在不增加过多假阳性结果的情况下提高 10％的检测灵敏度。

    Feb, 2019