Apr, 2023

无监督医学图像领域适应的结构保持循环生成对抗网络

PDF
TL;DR本论文介绍了一种结构保持 Cycle-GAN (SP Cycle-GAN) 模型，通过在整个 Cycle-GAN 训练过程中强制执行分割损失术语，促进医学结构的保护，并证明了其在多个数据集上的运行优于基线方法和标准 Cycle-GAN 域自适应模型。
domain shiftmedical imagingsegmentation modelscycle-ganunsupervised domain adaptation
发现论文，激发创造
  • CycleGAN 用于结构健康监测和损伤检测中的未损坏到损坏域转换

    本研究开发了一种循环一致的 Wasserstein 深度卷积 GAN 模型来调查结构动态特征从未受损状态到受损状态的转变及其是否可用于预测性损伤检测，结果表明该模型能够准确地生成受损响应和未受损响应，从而实现在结构未受损的情况下理解受损状态的能力，这将有助于更为积极地监控生命周期表现并预测结构的剩余寿命。

    Feb, 2022

  • 结构保持合成：MaskGAN 用于非配对 MR-CT 转换

    本文提出了 MaskGAN，这是一个新颖且具有成本效益的框架，通过利用自动生成的粗糙掩膜来实现结构的一致性，以克服医学图像合成中配对数据稀缺以及图像错位的问题。

    Jul, 2023

  • MRI 图像翻译的 CycleGAN 模型

    该研究提出了使用 CycleGAN 模型将神经图像从一种场强转化为另一种的方法，并将其与基于 DCGAN 结构的模型进行了比较，结果表明 CycleGAN 能够以较高的准确度生成合成和重构图像。

    Dec, 2023

  • 基于语义感知的生成对抗网络在胸部 X 光分割的无监督领域自适应中的应用

    通过设计语义感知的生成对抗网络，将测试图像转换成源域的外观，保留语义结构信息，并实现语义标签空间内的嵌套对抗学习。通过生成对抗网络映射数据分布、循环一致性保留像素级内容以及语义感知增强结构信息，实现对两个不同的胸部 X 光公共数据集进行左 / 右肺分割的无监督领域自适应，创造性地解决了深度学习在 domain shift 上性能下降的问题，并与有监督的迁移学习性能相媲美。

    Jun, 2018

  • 约束 CycleGAN 用于有效生成改进空间分辨率的超声扇形图像

    通过引入 CCycleGAN 算法，本研究成功地改善了超声图像的空间分辨率和峰值信噪比，保留了结构一致性和背散射模式，并获得了更高质量的心壁运动估计。

    Sep, 2023

  • 使用结构约束 CycleGAN 进行非配对脑 MR 到 CT 的合成

    本文针对 cycleGAN 在医学图像合成中普遍存在的结构一致性问题，提出了一种基于无配对数据的结构约束 cycleGAN 方法，使用基于模态无关邻域描述符的额外结构一致性损失来约束结构一致性，并采用基于位置的选择策略进行训练图片的选择，实验结果表明该方法优于传统 cycleGAN，并且接近于使用配对数据训练的 cycleGAN。

    Sep, 2018

  • 基于 Unet-GAN 的医学图像分割领域偏移问题和供应商适配

    本文提出了一种基于 Unet-GAN 的通用框架，通过无需注释的跨供应商训练和适应性学习来解决困扰医疗场景下声图图像分割问题的难题。

    Oct, 2019

  • 循环一致 GAN 的对抗性自卫

    本文研究了无监督图像翻译中的自我攻击问题，提出了两种防御技术，发现增强模型抵抗自我对抗攻击的能力能提高生成质量和重构可靠性，降低模型受低幅扰动的敏感度。

    Aug, 2019

  • 一种严格有界的深度网络用于医学图像的非配对循环转换

    医学图像翻译是一个棘手的问题，本研究提出了一种严格有界的双向翻译网络，通过使用自适应字典学习和交叉邻域上下文特征信息来提高翻译的泛化能力，实现了在不配对的医学图像上的稳定双向翻译。

    Nov, 2023

  • 基于血管分割的 CycleGAN 用于非配对多模态视网膜图像合成

    本研究提出了一种将血管分割网络集成到图像翻译任务中的方法，并通过扩展 CycleGAN 框架，将其插入到 UNet 视觉转换器生成器网络之前，以此来提高基于深度学习的多模式视网膜配准方法的训练数据集。我们重构了原始的恒等损失，以学习血管分割与真实图像之间的直接映射，并添加了分割损失项以确保伪图像与真实图像之间共享血管位置。实验结果表明，我们的方法外观逼真，且可以保留血管结构，从而为生成多模态训练数据进行图像配准奠定基础。

    Jun, 2023