Jun, 2023

基于血管分割的 CycleGAN 用于非配对多模态视网膜图像合成

PDF
TL;DR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。
retinal imagesmulti-modal retinal registrationdeep learningvessel segmentationcyclegan
发现论文，激发创造
  • 采用生成对抗网络对眼底图像中的视网膜血管进行分割

    本研究展示了一种使用生成式对抗训练的方法，用于生成精确的视网膜血管地图，它可以用于自动检测眼底图像中视网膜疾病。

    Jun, 2017

  • RV-GAN: 一种新型多尺度生成对抗网络用于眼底照片中的视网膜血管结构分割

    RV-GAN 是一种新的多尺度生成式体系结构，用于精确定位和分割视网膜微血管结构，在像素级分割视网膜血管时具有优异的性能，该结构通过引入新的加权特征匹配损失来避免传统基于 GAN 的分割系统的保真度丢失。

    Jan, 2021

  • 深血管造影：简化视网膜血管分割

    本文提出了一种对比变分自编码器，可以过滤掉无关特征并合成一个名为深层血管造影的潜在图像来代表视网膜血管，并且通过简单阈值处理实现了更高的分割性能。这种合成网络的普适性得到了提高，可以在不同的目标领域生成稳定的血管造影，提供了一种良好的可视化方法，是荧光素血管造影的一个无创、安全的替代方法。

    Jul, 2023

  • 对抗生成学习实现无需目标模态基本事实的分割

    本研究提出了一种新的端到端的合成和分割神经网络（EssNet），可以在不使用 CT 手动标签的情况下同时完成未配对的 MRI 到 CT 图像合成和 CT 脾肿大分割，相比于使用合成图像独立训练分割网络的两阶段方法（0.8801），以及使用 CT 手动标签的规范多张分割方法（0.9125）和 ResNet 方法（0.9107），EssNet 取得了显著更高的中位数 Dice 相似系数（0.9188）。

    Dec, 2017

  • SA Unet 改进

    该论文描述了一种新的方法，结合使用 StyleGAN2 和 SA-Unet，用于在医学领域中进行视网膜血管分割的图像处理，旨在帮助医生更好地诊断眼部疾病，并解决小数据集分割问题。

    Aug, 2023

  • 增强即自动网络：面向医学图像分割的增强驱动对比多视角学习

    该研究提出了一种高效的多视图学习框架，通过与各种变换的多个增强视图进行比较，对比学习不变的血管特征表示，以克服数据短缺问题并提高泛化能力，同时将注意机制集成到卷积神经网络中，用于进一步捕捉复杂的连续曲线状血管结构。该方法在 CHASE-DB1 数据集上验证，使用 UNet 结构获得 83.46% 的最高 F1 得分和 71.62% 的最高 IoU 得分，分别超过现有基准 UNet 方法的 1.95% 和 2.8%。该方法的快速训练和高效实施特性支持实际应用和部署。

    Nov, 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

  • 基于分割重标准化的深度特征调制技术，用于非配对图像协调

    本文提出了一种基于分割归一化图像转换框架的方法，通过用可训练的比例和位移参数代替归一化层中的仿射变换，调制每个级别的特征，从而减少各种成像设备之间的异构性，同时保留解剖结构布局，并在多种成像模态（T1w MRI，FLAIR MRI 和 OCT）的数据集上进行评估。

    Feb, 2021

  • 基于 Transformer 和循环一致生成对抗网络的视网膜图像修复

    本文介绍一种使用视觉 Transformer 和卷积神经网络进行视网膜图像增强的方法，该方法建立了一个循环一致生成对抗网络，通过两个发生器和两个鉴别器进行图像转换，通过测量实验结果，该方法成功地减少了模糊、噪声、光照干扰和色彩失真的负面影响，同时显着保留了结构和颜色信息。

    Mar, 2023

  • 多分辨率上下文网络和对抗学习在视网膜血管分割中的应用

    提出一种名为 MRC-Net 的多分辨率上下文网络，其中采用多尺度特征提取技术以学习语义不同特征之间的上下文依赖性，并使用双向递归学习模型前者 - 后者和后者 - 前者之间的依赖性，在对前景分割进行对抗训练的基础上进行训练，以提高分割网络的性能，同时保持可比较低的可训练参数数量。该方法在 DRIVE、STARE 和 CHASE 三个基准数据集上表现优异，与现有的竞争方法相比具有更好的性能。

    Apr, 2023