Jul, 2023

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

PDF
TL;DR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。
发现论文，激发创造
  • 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

  • 利用深度学习实现光学相干断层扫描成像 Spectral Bandwidth 的恢复

    利用深度学习和超分辨率技术重建失去的特征，以改善眼科临床医生的决策，应对广场视野 OCT 系统降低分辨率的挑战。

    Jan, 2023

  • 使用生成对抗网络创建逼真的前段眼 OCT 图像

    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。

    Jun, 2023

  • 基于空间感知 Transformer-GRU 框架的增强型青光眼诊断从 3D OCT 成像

    提出了一种新颖的深度学习框架，基于 3D 光学相干断层扫描（OCT）成像进行自动青光眼检测，取得了优于现有方法的表现，为提高临床决策支持系统和改善青光眼管理患者预后提供了重要潜力。

    Mar, 2024

  • 面向域感知少样本学习的光学相干断层扫描噪声降低

    本文提出了一种针对光学相干断层扫描（OCT）噪声降低的 few-shot 监督学习框架，该框架在训练速度和培训内容方面都有巨大的提高，此外，我们还为 OCT 不同成像系统的域偏移问题提出了可能的解决方法。

    Jun, 2023

  • 无监督异常检测的全频道选择表示

    本文提出一种新式的无监督异常检测方法 ——Omni-frequency Channel-selection Reconstruction（OCR-GAN），该方法利用 Frequency Decoupling 模块将图像分解成不同频率成分，并使用多通道的频谱恢复进行重建，同时使用 Channel Selection 模块进行不同编码器之间的频率交互，通过该方法在 MVTec AD 数据集上实现了 98.3 的检测 AUC，超过了既有的基准线和 SOTA 方法。

    Mar, 2022

  • 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

  • 基于混合注意力结构的重建稀疏 OCT 图像网络

    提出了一种混合注意力结构的网络 (HASPN) 来实现对非采样光学相干断层扫描图像的超分辨率恢复，以加快图像采集速度，并在糖尿病性黄斑水肿视网膜资料集上验证了其良好的泛化能力。

    Jun, 2024

  • 利用频率分析进行深度虚假图像识别

    通过对生成对抗性网络的频域进行分析，我们发现生成的 Deep fake images 在这一领域会展现出一些严重的瑕疵，通过这些瑕疵可以自动识别出 deep fake images， 超越了现有的最先进方法。

    Mar, 2020

  • OCT2Confocal: 基于 3D CycleGAN 的视网膜 OCT 图像到共聚焦显微镜的转换

    应用 3D 循环 GAN 框架，无创生成视网膜共聚焦图像，从而进一步增强眼科诊断和监测能力。

    Nov, 2023