Apr, 2023

基于 GAN 的增强对深度学习 COVID-19 图像分类性能的影响

PDF
TL;DR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。
deep learningdata augmentationcovid-19 diagnosisgenerative adversarial networkschest x-ray
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

  • 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

  • CovidGAN: 使用辅助分类器 GAN 进行数据增强，以提高 Covid-19 检测能力

    本研究提出一种生成辅助分类器生成式对抗网络（ACGAN）的方法，用于生成合成胸部 X 射线图像来提高 COVID-19 检测的准确性，证明这些合成图片能够增强卷积神经网络（CNN）的性能，将其准确率从 85％提高到 95％。

    Mar, 2021

  • 利用 GAN 应对 COVID-19 数据稀缺：超越炒作

    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。

    Apr, 2023

  • 生成式迁移学习：使用少数胸部 X 光图像进行 Covid-19 分类

    通过使用预训练模型，该研究利用较少的样本进行 Few Shot Learning，并比较了经典的深度迁移学习和该方法，并在 Covid-19 二进制分类案例中报告了 FSL 结果。

    Aug, 2022

  • 使用深度学习进行图像分类中数据增强的有效性

    本文研究数据增强在图像分类中的应用，对比了多种增强技术，包括传统的裁剪、旋转和翻转以及使用 GAN 生成不同风格的图像，并提出了一种名为神经增强的方法，通过训练神经网络自学习增强，以提升分类器性能，对该方法在不同数据集上表现的优劣进行了讨论。

    Dec, 2017

  • 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

  • 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

  • 利用基于 GAN 的合成医学图像增强技术提高 CNN 在肝脏病变分类中的性能

    使用生成对抗网络合成医学图像，然后将其用于合成数据增强以提高卷积神经网络在医学图像分类中的性能。

    Mar, 2018