Jul, 2023

结肠直肠癌预防的联合单侧合成异源图像转换与分割

PDF
TL;DR通过使用 3D 技术和生成对抗网络相结合产生逼真的合成图像，我们提出了 CUT-seg，将分割模型和生成模型相互训练以生成逼真图像并学习肠息肉分割。我们利用最新的单向翻译模型，因为它们使用的内存显著较少，可以在训练环节中添加分割模型。相较于其他内存密集型图像转换方法需要两阶段训练，CUT-seg 表现更好，计算成本更低，并且只需要一个真实图像和零个真实标注就能在五个真实肠息肉分割数据集上取得有希望的结果。作为本研究的一部分，我们发布了 Synth-Colon，一个完全合成的数据集，包括 20000 个逼真的结肠图像以及有关深度和 3D 几何的其他细节。
deep learningmedical imagessynthetic imagesgenerative adversarial networkspolyp segmentation
发现论文，激发创造
  • 使用合成数据的自监督和半监督息肉分割

    通过使用计算机视觉技术和合成数据，提出了一种用于结肠息肉分割的模型，该模型在自监督和半监督设置中达到了最先进的结果。

    Jul, 2023

  • 用于结直肠组织病理学图像数据增强的生成式图像转换技术

    使用循环一致生成对抗网络（CycleGANs）进行图像转换并生成人工合成结肠息肉图像，利用生成图像来增强数据集的训练效果，提高卷积神经网络（CNN）检测息肉的 AUC 值，该方法为解决组织病理学图像分类任务中数据不平衡问题提供了一种有效解决方案。

    Oct, 2019

  • 面罩条件下使用潜在扩散生成胃肠息肉图像

    为了解决医学领域数据难以获取的问题，本文提出了一种有条件的扩散概率模型（DPM）框架来生成合成的肠道息肉图像以及合成数据在二进制图像分割模型训练中的应用。研究结果表明，合成数据可以有效地帮助提高模型准确性。

    Apr, 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

  • 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

  • SynSeg-Net: 无需目标模态的合成分割

    本研究提出了一种使用合成数据进行训练的图像分割方法，极大地减少了在新兴医学成像模态或疾病群中手动跟踪图像时的人工工作量，该方法通过对模态之间的无配对强度图像使用周期生成对抗网络和深度卷积神经网络进行端到端训练， 并在两个医学成像实验中取得了优秀的表现。

    Oct, 2018

  • 利用扩展和方向循环 GAN 增强结肠镜检查的损失图像转换

    使用深度学习框架，本研究提出了一种新的方法来实现 OC 和 VC 之间的图像 - 图像转换，并演示了在虚拟结肠镜检查，真实息肉和正常结肠视频序列以及 3D VC 模型中创造逼真的息肉的结果。

    Mar, 2020

  • 使用非配对的图像转换方式生成用于腹腔镜图像处理任务的大型标注数据集

    通过图像翻译方法，我们生成了外科镜检查图像的大量合成数据集，并展示了这样的数据集可用于训练和提高肝脏分割模型性能的可能性。

    Jul, 2019

  • 双对抗生成网络生成的合成医学图像

    该研究提出了一种基于生成对抗网络的新型双阶段流水线，用于从医学图像数据中生成合成医学图像，并开发了 SynthMed 在线数据库以促进医学图像任务的发展。

    Sep, 2017

  • 双尺度增强与交叉生成一致性学习用于半监督息肉分割

    提出了一种新的增强的双尺度和交叉生成一致性学习框架，用于半监督息肉分割，通过整合不同分辨率的交叉级相邻层来增强特征表达能力，采用尺度增强的一致性约束来处理形状尺寸和位置的变异，并通过交叉分段图重建原始和扰动图像来提高分割性能。

    Dec, 2023