本文介绍一种基于图像转换的框架,在医学影像的癌变区域检测领域中取得了比现有的无监督方法更好的性能,并且接近于有监督方法的性能。
Apr, 2021
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
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
通过使用语言模型以增强未监督异常检测的解释性,我们能够构建一个包含问题和答案的数据集,并提出一种新的多图像视觉问答框架来应对异常检测,其中融合了多样的特征融合策略以增强视觉知识提取。
Apr, 2024
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
本文提出了一种在组织病理学图像中进行异常检测的系统,该系统使用单类分类器、预训练的卷积神经网络和一个辅助任务进行训练,并用于药物毒性评估,结果优于已有的方法。
Oct, 2022
针对现实场景中实际应用领域不断增多的无泛化的外部分布,我们的新方法利用多个可视化的、不同的、合成异常学习任务进行训练和验证,从而增强了样本的鲁棒性和泛化性,实现了对基于脑部 MRI 和胸部 X 射线的最新方法的超越。
Jul, 2023
提出基于健康样本作为参考来识别大规模医学影像数据中的异常区域,并使用深度卷积自编码器来进行训练和病理区域的分类,结果表明相比于标准嵌入方法,学习特征在分类任务中表现更好。
Dec, 2016
本文对深度学习下工业图像无监督异常定位的近期研究成果进行了综述与分析,包括各种概念、挑战、分类、基准数据集及量化性能比较,并提供了未来研究方向的预测和分析。
Jul, 2022
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