Apr, 2023

ganX -- 生成人工新的 XRF 的 python 库，将 RGB 图像转换成 MA-XRF 原始数据

PDF
TL;DR本文介绍了 ganX 的第一个版本，这是一个用于生成 X-ray 荧光宏观地图的 Python 库，利用蒙特卡罗方法从一个彩色 RGB 图像中提取 MA-XRF 信号，并以其与颜料 XRF 信号的接近程度为权重计算 MA-XRF 像素信号的概率分布函数，该库已经发布到 PyPi 上，并且代码可在 GitHub 上开源获取。
发现论文，激发创造
  • 使用条件生成对抗网络的二维全吸收光谱

    本研究使用深度学习方法，探索利用条件生成对抗网络去除大体积伽马射线探测器的响应，并分析分段式伽马射线总吸收光谱仪 (TAS) 的解折叠方式。研究结果表明，我们的模型在大部分仿真测试中都在探测器分辨率范围内表现出良好的名称特征。

    Jun, 2022

  • CT 扫描中的多视角 X 射线图像合成与多域解缠

    通过引入内容和风格的解耦技术以及姿态注意力模块，利用 CT2X-GAN 方法，该研究提出了一种学习式的端到端合成 X 射线图像的方法，从而改善合成质量并使其更接近真实的 X 射线图像。

    Apr, 2024

  • 用于结肠组织分类的交叉调制少样本图像生成

    提出了一种针对罕见癌变组织的组织图像生成方法，命名为 XM-GAN，可通过少量基础和参考图像生成高质量且多样化的图像，并用于组织图像分类任务中的数据扩增，表现优于基准分类器。

    Apr, 2023

  • 使用逐渐增长的 GAN 生成的合成胸部 X 射线的临床逼真度评估

    提出了一种利用 GAN 进行胸部 X 光图像合成的方法，使用 Frechet Inception 距离量化合成图像的质量，并邀请放射学专家评估其临床真实性和多样性。

    Oct, 2020

  • 利用 GAN 可视化胸部 X 光数据集偏差

    本文提出了使用生成对抗网络（GAN）的框架，用于可视化两个人口统计子组别之间最不同的特征，从而解决由于胸部 X 射线数据集包含与受保护人口统计属性（如种族和性别）强相关的视觉特征而引发的公平性问题，因为这些因素可能被下游算法用于临床预测。

    Apr, 2023

  • 利用 GAN 在天体物理蒙特卡洛模拟中的应用

    对 X 射线源产生的光谱进行精确建模需要使用蒙特卡罗模拟。这些模拟需要评估物理过程，例如在致密物体周围的吸积过程中发生的过程，通过对多个不同的概率分布进行采样。我们以描述相对论电子速度的 Maxwell-Jüttner 分布为例，证明生成对抗网络（GAN）能够统计复制该分布。通过神经网络生成的样本的 Kolmogorov-Smirnov 测试的平均值为 0.5，表明生成的分布与真实分布无法区分。

    Feb, 2024

  • 使用两个生成对抗网络的混合图像 - 表格数据的合成数据生成方法

    使用自编码生成对抗网络（GANs）和条件生成对抗网络（CTGAN），提出了一种生成综合医疗记录（包括胸部 X 光图像和结构化表格数据）的方法。通过将 GAN 模型的编码器与原始数据库中的图像进行组合，成功生成了多样的综合 X 光图像和表格数据的合成记录，并通过可视评估、间记录距离分布和分类任务评估了生成的数据库。该方法有潜力在不损害数据二次使用的情况下公开发布合成数据集。

    Aug, 2023

  • 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

  • X2CT-GAN: 用生成对抗网络从二平面 X 光线重建 CT

    使用生成对抗网络（GAN）框架从两个正交 X 射线重构 CT。所提出的特殊设计的生成器网络通过提供从 2D 到 3D 的数据维度增加，从而提高了医学成像技术。该方法不需要完整的旋转扫描并可以在低成本的 X 射线机上实现。在公开的胸部 CT 数据集上进行了广泛的实验评估，并获得较好的成果。

    May, 2019

  • 针对无监督域自适应的任务驱动生成建模：应用于 X 射线图像分割

    本文提出了一种通过学习自动解析 3D CT 扫描并将其应用于 X 光图像中的新模型框架 DI2I 和 TD-GAN，该框架在未见过的真实 X 光图像上实现了同时样式转换和解析的效果，且不需要 Topogram 标签即可实现 85% 的平均 Dice 精度，与有监督训练的 88% 相当。

    Jun, 2018