ICCVOct, 2021

具有自适应损失的不确定性感知 GAN 用于稳健的 MRI 图像增强

PDF
TL;DR本文提出了一种基于 GAN 的框架，其中 (i) 模型自适应损失函数以提高模型对 OOD - 噪声数据的鲁棒性，(ii) 对预测的每个体素的不确定性进行了估计，在医学成像领域表现出优异的性能。
image-to-image translationconditional generative adversarial networksrobustnessuncertainty quantificationmedical imaging
发现论文，激发创造
  • 基于不确定性引导的渐进式生成对抗网络用于医学图像翻译

    本文提出了一种基于不确定性引导的逐渐学习方案，通过将不确定性作为逐步训练的 GAN 的注意力图，逐步生成逼真的图像，并将其应用于 PET 到 CT 转换、MRI 重构和运动伪影校正等三个医学图像翻译任务中，实现了良好的性能提升。

    Jun, 2021

  • 基于 StyleGAN2 的医学影像异常检测

    利用生成对抗网络（GAN）检测处于训练分布之外的图像，该方法能够在 90% 以上的区分肝脏与非肝脏的情况下识别出分布之外的图像。

    Jul, 2023

  • 鲁棒性条件生成对抗网络

    该研究介绍了一种名为 RoCGAN 的新型条件 GAN 模型，该模型在图像生成的任务中表现优异，并在面临严重噪声的情况下使生成器输出的图像更接近目标空间，实验结果表明，RoCGAN 在各种领域的表现都远优于现有的最先进的 cGAN 架构。

    May, 2018

  • 结合噪声到图像 GAN 和图像到图像 GAN：用于肿瘤检测的脑 MR 图像增强

    通过将噪声图像和图像到图像对抗生成网络相结合，提出了一种新的数据增强方法，能够增强磁共振样本的真实性和多样性，经过 CNN 的肿瘤检测结果表明，该方法可以显著提高经典数据增强技术的敏感度和同时对其他医学影像任务有显著提升。

    May, 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

  • 基于条件生成式对抗网络的多对比度磁共振成像合成

    本文提出了一种基于条件生成对抗网络的多对比度 MRI 综合新方法，该方法通过对抗损失保留高频细节，通过对注册多对比磁共振图像的逐像素损失和对非注册图像的循环一致性损失提供增强的合成性能，利用邻近切片的信息进一步提高合成品质，实验证明其优于以前最先进的方法，可以提高多对比度 MRI 检查的质量和多样性，无需需要长时间的检查。

    Feb, 2018

  • 无监督图像转换和不确定性量化，使用不变性网络

    本文提出了一种不需要配对训练数据的单向域映射方法，使用 GAN 架构和基于补丁不变性的新型生成器损失来实现适当的图像转换，并通过皮片残差建立了一个输入相关的比例图来准确预测不确定性。通过在三个医学数据集上全面评估，相较于四种最先进方法，我们观察到更高的准确性，表明该方法用于无教师图像转换具有很大的潜力。

    Jul, 2022

  • 使用非配对学习技术自由增强图像

    通过使用轻巧的条件生成对抗网络，通过调制编码学习任务形式化低照度图像增强，从而学习从低光到正常光图像空间的一对多关系，使我们的推理模型轻松适应各种用户喜好，并在噪声和干净数据集上实现了有竞争力的视觉和定量结果。

    Oct, 2021

  • 强健的生成对抗网络

    本文提出了一种通过在小的邻域内促进局部鲁棒性来提高生成对抗网络的泛化能力的方法，并在 CIFAR-10 数据集上的实验表明，该鲁棒性生成对抗网络能够显著而一致地改善五个基线模型。

    Apr, 2020

  • 基于不确定性感知的鲁棒性循环一致性

    本文提出了一种基于不确定性感知的广义自适应周期一致性的概率方法，利用广义高斯分布对像素残差进行建模，提高了对于测试数据的强鲁棒性，提高了不成对图像转换的性能。

    Oct, 2021