本文介绍了一种使用生成对抗网络生成合成医学影像的数据增强方法，该方法通过使用经典数据增强技术扩大训练集并应用GAN技术扩大数据大小和多样性。我们的方法在182个肝脏病变的计算机断层扫描（CT）图像数据集上进行了演示，并发现使用合成数据增强可以显著提高分类效果。

Jan, 2018

使用生成对抗网络合成医学图像，然后将其用于合成数据增强以提高卷积神经网络在医学图像分类中的性能。

Mar, 2018

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

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

本研究使用生成式对抗网络（GAN）创建临床图像合成，提出了适应于特定皮肤病状的DermGAN，并使用合成图像作为数据增强技术，提高了皮肤病分类器的性能。

Nov, 2019

利用生成对抗网络(GANs)创建合成数据是解决医疗数据库隐私政策问题的好方法。本文探讨了集中式和分散式条件和非条件GANs的性能以及其在现实和理想情况下生成病变数据的能力，并说明了GANs训练过程中潜空间和嵌入可视化的技术，以及GANs的真实性和泛化性评估等问题。

Aug, 2022

本文提出了一个新的多类预测框架，基于 ViT 和 ViTGAN，在使用可解释 AI 的情况下，对皮肤病变分类。该框架分四个阶段，引入了生成对抗网络来解决类不平衡问题，使用卷积神经网络实现分类，实验结果相较于现有框架有所改善。

Feb, 2023

使用对抗学习的算法开发的可自动生成皮肤病变掩膜的 EGAN 算法，可应用于皮肤癌病变的计算机辅助诊断，其精度比当前最先进的基于皮损分割的方法高出2%的Dice系数，1%的Jaccard相似度，和1%的准确度。

May, 2023

本研究解决了皮肤病学诊断中高质量注释数据集不足的问题，提出了一种创新的无监督增强解决方案，利用生成对抗网络（GAN）模型在潜在空间中生成皮肤镜图像的语义变体。通过合成图像增加训练数据，我们提高了机器学习模型的性能，并在HAM10000数据集中设定了新的基准，验证了我们方案的有效性和模型可解释性。

Oct, 2024

本研究针对创伤分类中的数据稀缺问题，探讨了数据增强技术的应用，以提升深度学习模型的训练效果。通过几何变换和先进的生成对抗网络（GAN），我们证明了这些技术能显著提高分类性能，尤其在多个关键创伤类别中的F1分数提高了最高达11%。此研究突出了数据增强在医疗领域的潜力，特别是在实际的基于机器学习的创伤护理系统中的应用价值。

Nov, 2024