Jul, 2023

利用潜在扩散模型提高非酒精性脂肪肝疾病分类性能

PDF
TL;DR综合临床专业知识和深度学习技术，通过利用扩散模型生成的合成图像和真实图像相结合，文中通过基于 NAFLD 分类的实验表明，综合使用效果明显优于仅使用生成对抗网络（GANs）进行图像增广，达到了 0.904 的最佳图像级别 ROC AUC 性能。
deep learningmedical imagesdiffusion modelsnafldsynthetic augmentation
发现论文，激发创造
  • 基于多模态学习的疾病预测

    这篇论文提出了一种 NAFLD 诊断系统（DeepFLDDiag），该系统结合了综合的临床数据集（FLDData）和基于多模态学习的 NAFLD 预测方法（DeepFLD）。该数据集包括超过 6000 名参与者的体格检查、实验室和成像研究、广泛的问卷调查和部分参与者的面部图像，对临床研究具有全面和有价值的意义。从数据集中，我们定量分析并选择对 NAFLD 预测最有贡献的临床元数据。此外，所提出的 DeepFLD 模型使用多模态输入（包括元数据和面部图像）来预测 NAFLD，在性能上优于仅使用元数据的方法。令人鼓舞的是，DeepFLD 可以仅使用面部图像作为输入而不是元数据来实现竞争性的结果，为更强大和简化的非侵入性 NAFLD 诊断铺平了道路。

    Jul, 2023

  • 用于脂肪肝疾病检测的鲁棒优化的深度特征解耦网络

    通过使用深度学习框架，本文提出了一种创新的方法来消除分类器的识别弱点，提高其平均性能，特别针对医学图像分类、不同类别之间的平衡、脂肪肝、对抗训练等领域展开研究。

    Jun, 2024

  • 基于影像标注的潜在扩散模型用于增强组织病理学 AI 辅助癌症诊断

    人工智能基于图像分析在诊断组织病理学方面，尤其是癌症诊断方面具有巨大潜力。为了开发监督式人工智能方法，需要大规模的注释数据集。本研究提出了一种从自动提取的图像特征中构建结构化文本提示的方法。通过在提示中引入图像特征而不仅仅是正常和癌症标签，我们改善了 Fréchet Inception Distance (FID) 的性能，从 178.8 提升到 90.2。我们还表明，病理学家难以检测到合成图像，敏感性 / 特异性的中位数为 0.55/0.55。最后，我们展示了合成数据有效地训练人工智能模型。

    Dec, 2023

  • 非酒精性脂肪性肝病患者的深度表型分析及基因因素对复杂疾病的启示

    非酒精性脂肪性肝病（NAFLD）是一种常见的慢性肝脏疾病，其特点是非常量饮酒者肝脏内脂肪过度积聚，包括肥胖、胰岛素抵抗、2 型糖尿病等风险因素。本研究旨在通过人口统计学、临床和遗传特征，为精确医学领域确定 NAFLD 患者的亚组；对 3408 例病例和 4739 例对照组的基因组和表型数据进行分析，采用潜在类别分析（LCA）揭示了 5 个亚组，通过基于 6 个 SNP 变异物和疾病结果的多基因风险评分来分析亚组，研究发现各群组在代谢综合征、肥胖、不同的合并症、心理神经因素和遗传因素上存在差异。

    Nov, 2023

  • 利用基于 GAN 的合成医学图像增强技术提高 CNN 在肝脏病变分类中的性能

    使用生成对抗网络合成医学图像，然后将其用于合成数据增强以提高卷积神经网络在医学图像分类中的性能。

    Mar, 2018

  • 扩散模型对抗生成网络 (GANs) 在图像合成方面占优

    通过扩散模型和分类器引导，我们的图像合成方法在 FID 指标以及覆盖分布方面优于现有的生成模型，我们的代码开源。

    May, 2021

  • 语义扩散模型生成肺结节病变图像高保真合成

    利用语义扩散模型生成高保真度肺部 CT 图像扩充数据集，并在肺结节检测和定位任务中展现了优异性能。

    May, 2023

  • 利用潜在扩散模型的合成数据增强医疗图像分类器

    利用潜在扩散模型生成皮肤病图像的研究表明，通过合成数据训练模型可以在数据有限的情况下提高性能，但合成数据与真实数据相比仍然有较小的性能增益，因此收集多样的真实数据仍是提升医疗人工智能算法的重要步骤。

    Aug, 2023

  • 基于聚类的条件扩散模型用于食物图像生成

    基于条件扩散模型和聚类的训练框架，名为 ClusDiff，用于生成高质量和代表性食物图像，并用 Food-101 数据集进行评估，与现有的图像生成方法相比，性能有所提高；同时展示了 ClusDiff 生成的合成食物图像在 VFN-LT 数据集中有助于解决长尾食物分类中的严重类别不平衡问题。

    Sep, 2023

  • 使用 GAN 进行合成数据增强以提高肝脏病变分类

    本文介绍了一种使用生成对抗网络生成合成医学影像的数据增强方法，该方法通过使用经典数据增强技术扩大训练集并应用 GAN 技术扩大数据大小和多样性。我们的方法在 182 个肝脏病变的计算机断层扫描（CT）图像数据集上进行了演示，并发现使用合成数据增强可以显著提高分类效果。

    Jan, 2018