CVPRApr, 2023

利用 GAN 应对 COVID-19 数据稀缺：超越炒作

PDF
TL;DR本研究分析了 43 项 GAN 生成合成数据的研究的发表情况，并发现存在数据偏见、缺乏可复现性、缺乏来自放射学家或其他领域专家的反馈等问题。最后，提出了建议以指导未来的研究。
artificial intelligencecovid-19generative adversarial networkssynthetic data generationdata scarcity
发现论文，激发创造
  • GAN-based 增强深度学习 COVID-19 图像分类的进一步探索

    基于 GANS 的数据增强方法在中等和大型数据集的情况下与传统增强方法相当，但在较小的数据集的情况下表现不佳。无论采用何种增强方法，原始数据集的大小与分类质量之间存在相关性。

    Jan, 2024

  • 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

  • 基于 GAN 的胸部 X 光分类数据增强

    本文探讨了在医疗领域电脑视觉技术中普遍存在的数据样本数量不足和分类失衡的问题，并通过使用生成对抗网络技术来增强数据集以改善网络性能，结果表明这种方法适用于低数据的情况，是值得进一步研究的领域。

    Jul, 2021

  • 生成对抗网络用于数据增强

    使用生成对抗网络 (GANs) 来扩充医疗领域中用于训练人工智能模型的可用数据集是可行的，然而仍需在医学影像使用 GANs 方面进行更进一步的研究以确保生成的影像质量高并适用于临床环境。

    Jun, 2023

  • 利用 GAN 增强医学图像从有限数据中合成逼真图像

    通过引入生成对抗网络（GANs）的创新方法，我们提出了一种合成医学图像的方法，通过深度卷积神经网络（CNNs）架构的生成器和鉴别器网络以及对抗训练方法，即使在有限的真实医学图像数据训练下，也能生成逼真的合成图像，并成功模拟了真实医学图像的结构和纹理特征。

    May, 2024

  • 基于 GAN 的增强对深度学习 COVID-19 图像分类性能的影响

    该研究使用 StyleGAN2-ADA 和传统图像变换等方法对 COVID-19 胸部 X 射线图像进行了数据扩充，并进行了多类别分类问题的研究，结果表明以传统图像变换为基础的数据扩充方法更加适合该数据集。

    Apr, 2023

  • 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

  • 多种医学模态下的合成数据生成人工智能：最新发展及挑战的系统综述

    本研究综述了生成模型在合成各种医学数据类型方面的广泛应用，探索了合成应用、生成技术和评估方法等方面的见解，强调了医学数据的唯一性和临床应用的需求。同时，研究也揭示了医学图像评估方法的不足之处，呼吁进行深入评估、基准测试和比较研究以促进开放和合作。

    Jun, 2024

  • 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