Jun, 2023

一种基于注意力机制的医学影像生成模型

PDF
TL;DR提出了一种基于注意力机制的双对比度生成模型 ADC-cycleGAN，其中加入了双对比度损失项和 $K$ 均值算法，用于多层次医学图像的合成，实验结果表明该模型具有较高的 PSNR 和 SSIM 值。
medical image synthesisadc-cycleganattention mechanism$k$-meansgenerative models
发现论文，激发创造
  • 合成脑图像：用生成对抗模型弥合脑部映射中的差距

    使用深度卷积生成对抗网络（DCGAN）合成高保真和逼真的 MRI 图像切片，为医学影像研究提供深度学习技术的应用。

    Apr, 2024

  • 基于注意力机制的脑肿瘤二阶段 MR 图像分割方法

    提出了一种基于 CASP-GAN 的协调空间注意力生成对抗网络，以及一种关注性生成跨模态分割方法，该方法在脑肿瘤分割中取得了比 CycleGAN 和部分前沿方法更好的结果。

    Apr, 2023

  • 基于循环和形状一致性生成对抗网络的多模态医学体积转换和分割

    本研究提出了一种通用的交叉模态医学图像合成方法，通过端到端的三维卷积神经网络实现具有真实感的立体图像合成和分割任务，以便作为补充训练样本，进一步提高分类器的泛化能力，生成放射疗法计划所需的 X-ray 衰减图等。对 4,496 个 CT 和磁共振成像 (MRI) 心血管体积的广泛实验表明，两个任务相互促进，耦合这两个任务比单独解决它们更有利。

    Feb, 2018

  • 基于多阶段注意力生成对抗网络的高组织对比度 MRI 合成，用于胶质瘤分割

    采用 CycleGAN 并引入注意力机制和多级结构生成高组织对比度 MRI 图像，来增强 MRI 组织分割。实验结果表明，该方法在肿瘤边界分割上取得了可观的提升。

    Jun, 2020

  • 基于条件生成式对抗网络的多对比度磁共振成像合成

    本文提出了一种基于条件生成对抗网络的多对比度 MRI 综合新方法，该方法通过对抗损失保留高频细节，通过对注册多对比磁共振图像的逐像素损失和对非注册图像的循环一致性损失提供增强的合成性能，利用邻近切片的信息进一步提高合成品质，实验证明其优于以前最先进的方法，可以提高多对比度 MRI 检查的质量和多样性，无需需要长时间的检查。

    Feb, 2018

  • 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

  • 具有上下文感知的生成对抗网络医学图像合成

    本文提出了一种数据驱动的全卷积神经网络，利用对抗训练和图像梯度差异损失函数来更好地建模 MRI 到 CT 的非线性关系，进而生成与之对应的 CT 图像，实验证明其准确性和稳健性，并且表现优于已有的三种方法。

    Dec, 2016

  • 生成对抗网络用于大脑影像合成的综述

    本文主要介绍了使用生成对抗网络（GAN）进行医学图像合成的研究。作者总结了最近应用 GAN 进行交叉模态大脑图像合成的进展，包括 CT 合成 PET、CT 合成 MRI、MRI 合成 PET 以及相反的方向。

    May, 2023

  • HAGAN：医学图像合成的混合增强生成对抗网络

    医学图像合成（MIS）在智能医疗领域起着重要作用，极大节省了医学诊断的经济和时间成本。我们提出了混合增强生成对抗网络（HAGAN），通过注意力混合生成器、分层鉴别器和鉴别器与生成器之间的反向跳跃连接来保持结构纹理和组织细胞的真实性，提高合成图像的病理完整性和局部特征的准确性。在 COVID-CT、ACDC 和 BraTS2018 三个不同规模的数据集上进行的实验评估表明，HAGAN 优于现有方法，在高分辨率和低分辨率方面均达到了最先进的性能。

    May, 2024

  • 使用非配对数据进行深度 MR 到 CT 的合成

    本文提出了一种使用生成对抗网络（GAN）实现未配对 MR 和 CT 图像的合成的方法，可以利用其进行放射治疗等方面的治疗规划。经过定量评估，该模型能够合成接近参考 CT 图像的 CT 图像，并且能够超过使用配对 MR 和 CT 图像训练的 GAN 模型。

    Aug, 2017