Mar, 2022

医学应用中不相干因素分离方法综述：解开医疗生成模型的难题

PDF
TL;DR本文综述了流行的生成模型，讨论了去解开深层神经网络的黑盒问题，通过分离潜在表征，提高对医学数据生成过程的控制和可解释性，从而在不侵犯病人隐私的前提下合成人工医学数据集，发掘数据生成特征，以及在医疗应用中获取新的结论。
deep neural networksgenerative modelsdisentanglementmedical applicationsinterpretability
发现论文，激发创造
  • 生成对抗网络中的对比式解缠

    本文从对比学习的角度提出了一种新的对抗生成网络（CD-GAN）来解决因潜变量的后验推断和缺乏样本似然性而难以实现的生成模型因果解释的问题，它通过对比图像特征来实现对数据中不同类之间可辨别属性的提取，并通过仅有的有限监督来提高模型的性能。实验结果表明了该模型在多个数据集上对数据进行高效的可解释性特征提取。

    Mar, 2021

  • 无自编码的无监督解缠的陷阱和未来方向

    本文研究基于对比学习的正则化方法来实现大规模数据集的非监督式解缠表示学习，并分析了不同正则化方法的利弊与下游任务性能表现。

    Aug, 2021

  • 医学影像数据增强的深度学习方法综述

    深度生成模型在医学图像增强中的应用和潜力是本综述的重点，旨在通过人工合成更真实多样且符合数据真实分布的数据样本来改善医学图像分析中深度学习算法的性能，涵盖了三种类型的深度生成模型：变分自编码器、生成对抗网络和扩散模型。

    Jul, 2023

  • 通过解缠匿名化医学案例说明

    提出了一种用于医学图像匿名化的新方法，通过解开图像中的特征向量，实现对身份信息和医学特征的分离，进而制造合成的隐私保护身份用于替代原始图像的身份，实验表明该方法能够生成逼真的匿名图像并保留其原始医学内容。

    Nov, 2023

  • 学习自然语言定义的解耦表示

    使用可表征语法和语义规律的定义句类别训练变分自编码器，并在多个测试中展现其成功解耦表示效果，以及在定义建模中得到的改善。

    Sep, 2022

  • 生成式潜在形状模型的几何分离

    本文提出了一种无监督的方法来将三维点云的变分自编码器的潜空间进行划分，结果展现出直观可解释的行为，在姿态转换和姿态感知形状检索等任务上表现出色，为人工智能中 3D 形状表示问题提供重要思路。

    Aug, 2019

  • 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

  • 高保真度分离表示合成

    提出了一种基于信息提取的生成对抗网络框架（ID-GAN），可用于通过 VAE-based 模型学习分离表示，并将其提炼为生成高保真图像的 GAN 生成器。

    Jan, 2020

  • 现实世界中的深度生成模型：医学图像的开放挑战

    本文探讨使用最新的基于自动编码器的深度生成模型，例如变分自动编码器和对抗性自动编码器，在医学成像中运用于异常检测一项任务。结果表明，深度生成模型在异常检测方面存在挑战，但可以提供给研究人员一个方便的医学成像数据集。

    Jun, 2018

  • InfoGAN-CR 和 ModelCentrality: 面向 GAN 解耦的自监督模型训练和选择

    通过使用自监督学习的方法一方面设计了一种新的对抗网络（GAN）模型和一个无监督模型筛选方案，另一方面提出了一种对比约束规则来提高模型向目标空间映射时对潜在因素进行解耦的能力。这种方案与对抗网络或自编码器等其他方法相比，具有更高的可解释性和速度。

    Jun, 2019