Jun, 2023

使用生成对抗网络创建逼真的前段眼 OCT 图像

PDF
TL;DR本文介绍了开发和验证了一种生成对抗网络（GAN），旨在创建高分辨率，逼真的前节光学相干层析成像（AS-OCT）图像。作者使用经验丰富的屈光外科医生对这些生成的图像的逼真程度进行了评估，并证明了他们的实用性。此外，使用提高后的分辨率的生成图像进一步改善了它们的质量，增强了它们在机器学习和图像分析任务中的有效性。
generative adversarial networkanterior segment optical coherence tomographymachine learningimage analysisenhanced super resolution gan
发现论文，激发创造
  • 利用 GAN 增强医学图像从有限数据中合成逼真图像

    通过引入生成对抗网络（GANs）的创新方法，我们提出了一种合成医学图像的方法，通过深度卷积神经网络（CNNs）架构的生成器和鉴别器网络以及对抗训练方法，即使在有限的真实医学图像数据训练下，也能生成逼真的合成图像，并成功模拟了真实医学图像的结构和纹理特征。

    May, 2024

  • 基于条件生成对抗神经网络的频率感知光学相干层析图像超分辨率重建

    光学相干断层扫描（OCT）通过提高形态结构解析能力，利用深度学习技术实现了基于医学图像的诊断与治疗。为了克服现有深度学习方法在图像重建中的频率偏差问题，本文提出了一种结合频率感知超分辨率框架，通过集成三个关键的基于频率的模块（频率变换、频率跳跃连接和频率对齐）及频率损失函数到条件生成对抗网络（cGAN）的方法。通过对一个现有的冠状动脉 OCT 数据集进行大规模定量研究，证明了我们提出的框架优于现有的深度学习框架。此外，我们还将该框架应用于鱼角膜图像和大鼠视网膜图像，证明了它在眼科成像中对解析形态细节的能力。

    Jul, 2023

  • 医学图像的生成对抗网络 (MI-GAN)

    本文提出了一种新的医学影像生成对抗网络 (MI-GAN)，可以用于合成视网膜图像及其分割掩模，以进行医学影像的监督分析，结果证明其在 STARE 数据集和 DRIVE 数据集上性能表现优异，达到了当时的最佳状态。

    Oct, 2018

  • 使用 CNN 从 SAR 图像生成高质量可见光图像

    本文提出了一种基于生成对抗网络和级联卷积神经网络的新方法，用于从合成孔径雷达图像生成高质量的可见光图像，实验表明该方法在去斑和图像上色方面比目前的深度学习方法表现更好。

    Feb, 2018

  • 频率感知的逆一致性 GAN 通过非配对光学相干断层扫描血管造影图像超分辨率

    利用频率信息的 GAN-based 非配对超分辨率方法用于 OCTA 图像，通过双通道生成器特别强调高频细胞由此，实验显示我们的方法在定量和视觉上均优于其他最先进的非配对方法。

    Sep, 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

  • 使用生成对抗网络创建百万像素大小的图像

    本研究介绍一种基于深度卷积生成对抗网络的图像生成方法，能够使用少于两千张图像实现高分辨率（最大 1024x1024 像素）的真实感图像生成，未来可应用于计算机图形学和视觉效果。

    May, 2017

  • 使用 3D 条件生成对抗网络生成合成 CT 体积

    利用条件生成对抗网络可以从噪声和 / 或像素化的近似中生成三维计算机体层扫描，该方法在 COVID19 CT 方面表现出色，可用于图像降噪和复原任务。

    Apr, 2021

  • 远程感知图像中的数据增强和适应的条件生成对抗网络

    使用 GAN 将给定的标记遥感图像拓展成更大的数据集并评测其对于物体检测任务的性能提升。

    Aug, 2019

  • 基于稀疏约束的生成对抗网络在视网膜 OCT 图像异常检测中的应用

    该论文提出了使用 Sparsity-constrained Generative Adversarial Network 的异常检测框架进行疾病筛查，该框架在只有健康数据的情况下进行监督学习，并通过稀疏性正则化网络进行限制。实验表明，该方法在疾病筛查方面优于现有的方法。

    Nov, 2019