Mar, 2022

分享生成模型而不是私人数据：乳腺 X 光片补丁分类模拟研究

PDF
TL;DR通过研究利用深度学习的计算机辅助检测系统尽早检测乳腺癌在改善疗效和降低死亡率方面具有潜在优势，但限于数据的数量和异质性，我们提出了使用生成敌对网络的训练生成器来从多个中心共享数据，以此作为代替真实患者数据的潜在解决方案，在两种分类模型下，我们的实验表明，共享的生成敌对网络显著提高了变压器和卷积分类模型的性能，突出了这种方法作为中心之间数据共享的可行替代方法。
breast cancermammographydeep learningcomputer-aided detection systemsgenerative adversarial networks
发现论文，激发创造
  • 基于条件补全 GAN 的乳腺 X 光分类数据增强

    使用生成对抗网络的合成数据，结合传统数据增强方法来提高乳腺癌分类的性能。

    Jul, 2018

  • 基于 GAN 的皮肤病应用生成建模 -- 比较研究

    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

  • 使用合成磁共振图像的脑肿瘤分割 ——GAN 和扩散模型的比较

    本文研究了利用生成模型如 GANs 构建的合成影像，其在大脑肿瘤分割任务上与真实影像训练的性能差异，发现实验结果在一定数据量下合成影像可以很好地训练神经网络，而常用的评估合成影像的指标无法很好地预测其在特定任务上的性能。

    Jun, 2023

  • GAN 增强：使用生成对抗网络进行训练数据增强

    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

  • 使用生成对抗网络进行医学图像合成的数据增强和匿名化

    本研究中，我们提出了一种使用生成性对抗网络通过在两个公共数据集上训练生成合成 MRI 图像的方法，以产生具有脑肿瘤的合成异常 MRI 图像。结果表明这些合成图像提供两个独特的好处，第一是作为数据增强的一种方式，可以提高肿瘤分割的性能，第二，证明了生成模型作为匿名化工具的价值，通过使用合成数据，实现了与实际患者数据训练具有可比性的肿瘤分割结果。这些结果为解决医学成像中机器学习面临的两个最大挑战，即病理发现的小发生率和患者数据共享的限制，提供了潜在的解决方案。

    Jul, 2018

  • 应用生成对抗网络对胸部病理 X 光进行深度神经网络分类的泛化

    通过使用生成对抗网络进行病理图像的模拟，摆脱常见医疗问题过度呈现和罕见条件数据匮乏等问题，将生成的图像和真实图像结合，使用 DCNN 检测肺部 X 光片的五个类别，通过生成的图像均衡数据集，DCNN 的性能得到了提高。

    Nov, 2017

  • 使用生成模型生成胸部 X 射线数据的可行性评估

    使用生成模型（特别是 PG-GANs 和 Stable Diffusion fine-tuning）生成合成胸部 X 射线图像进行医学诊断的可能性的探索。使用 Chest X-ray 14 数据集进行实验，并通过定性和定量分析评估我们的模型的性能，结果表明生成的图像具有可信度，可以用于提高分类模型的准确性。

    May, 2023

  • 使用渐进式生成对抗网络进行高分辨率乳腺 X 线摄影合成

    利用逐步训练的生成对抗网络生成最高达 1280x1024 像素的乳腺 X 线摄影图像，具有可视化效果，并且在医学影像领域有着广泛的应用前景。

    Jul, 2018

  • 3DGAUnet: 基于 3D U-Net 的 3D 生成对抗网络生成器，在胰腺癌的临床肿瘤图像数据中实现准确和有效的合成

    通过使用生成对抗网络（GAN）技术，我们开发了一个名为 3DGAUnet 的新型 GAN 模型，用于合成胰腺导管腺癌（PDAC）肿瘤和胰腺组织的逼真的三维 CT 图像，以提高 PDAC 的形状和纹理学习，从而增强了 PDAC 肿瘤的准确性和早期检测的能力。

    Nov, 2023

  • MammoDG：泛化深度学习突破多中心交叉领域乳腺癌筛查的限制

    通过开发 MammoDG，一个新颖的深度学习框架，借鉴多视角乳房 X 光和一种新颖的对比机制以提高泛化能力，研究人员证明了领域泛化对于可靠的乳房 X 光分析中的重要性，突出了该方法的优越性。

    Aug, 2023