Jul, 2023

医学影像生成人工智能：扩展 MONAI 框架

PDF
TL;DR最近在生成 AI 方面取得的突破已经在多个领域，包括医学成像方面，取得了令人难以置信的进展。我们提出了 MONAI 生成模型，这是一个开放源代码的平台，可以帮助研究人员和开发人员轻松训练、评估和部署生成模型及相关应用。
generative aimedical imagingsynthetic datasetsreproducibilitymonai generative models
发现论文，激发创造
  • 一个面向医疗保健领域的深度学习开源框架

    介绍了一个名为 MONAI 的 PyTorch 框架，用于医疗领域的深度学习应用，特别关注医学成像数据的处理，可提供特定于目的的 AI 模型架构、转换和实用程序，以简化医疗 AI 模型的开发和部署。

    Nov, 2022

  • 医学图像分析中先进云服务和生成性人工智能系统的实际应用

    医学领域中的人工智能技术发挥着越来越重要的作用，特别是在医学成像领域，通过生成式人工智能可以增强图像质量并提高医学诊断和患者护理水平。

    Mar, 2024

  • 智能医疗应用中生成性人工智能的快速评审

    人工智能在医疗保健领域产生了显著影响，特别是通过生成模型在医学图像生成、数据分析和诊断方面的应用。这篇文章探讨了生成模型在智能医疗设备中的应用，以提升诊断速度和准确性，改善医疗服务质量和效率并降低设备成本，实现了医学图像生成、数据分析和诊断的突破。此外，将生成模型与物联网技术结合，可以实现实时数据分析和预测，提供更智能的医疗服务，帮助远程医疗。挑战包括计算需求、伦理关注和特定场景的限制。

    Jun, 2024

  • 医疗健康中生成人工智能的综合评述

    人工智能的进展推动了医疗保健领域的革命性变化，其中包括生成式人工智能模型，特别是转换器和扩散模型的应用。本综述旨在全面介绍生成式人工智能在医疗保健中的应用，重点关注转换器和扩散模型，并提出未来研究的潜在方向，以应对医疗保健部门的现有限制和不断变化的需求。作为对对生成式人工智能在医疗保健领域应用感兴趣的研究人员和实践者的全面指南，本综述提供了有关当前技术水平、面临的挑战以及未来发展方向的宝贵见解。

    Oct, 2023

  • 基于遗传算法的医学图像生成的生成模型

    医学成像是诊断和治疗疾病的重要工具，缺乏医学图像可能导致不准确的诊断和无效的治疗。生成模型通过从现有数据集中生成新数据并检测其中的异常来解决医学图像短缺问题。本文提出了 GAN-GA，一种通过嵌入遗传算法进行优化的生成模型。该模型在保留独特特征的同时提高了图像的保真度和多样性。该方法改进了医学图像的质量和保真度，是图像解释的重要方面。通过使用 Frechet Inception Distance（FID）来评估合成图像，将 GAN-GA 模型应用于生成急性淋巴细胞白血病（ALL）医学图像。实验结果表明，所提出的优化 GAN-GA 在 FID 得分上提高了约 6.8％，特别是在前期训练阶段。源代码和数据集可在此 URL 找到。

    Dec, 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

  • 一种病理多模态 MR 图像和分割的 3D 生成模型

    提出了一种基于 generative 模型和 synthetic 数据的 3D 脑 MRI 和分割模型 brainSPADE3D，可以调节病理表型和对比度，生成高保真的合成图像和相关分割，以改善在数据中存在意外病变时的分割模型性能问题。

    Nov, 2023

  • 医学影像数据增强的深度学习方法综述

    深度生成模型在医学图像增强中的应用和潜力是本综述的重点，旨在通过人工合成更真实多样且符合数据真实分布的数据样本来改善医学图像分析中深度学习算法的性能，涵盖了三种类型的深度生成模型：变分自编码器、生成对抗网络和扩散模型。

    Jul, 2023

  • 现实世界中的深度生成模型：医学图像的开放挑战

    本文探讨使用最新的基于自动编码器的深度生成模型，例如变分自动编码器和对抗性自动编码器，在医学成像中运用于异常检测一项任务。结果表明，深度生成模型在异常检测方面存在挑战，但可以提供给研究人员一个方便的医学成像数据集。

    Jun, 2018

  • 使用生成对抗网络进行平片的合成医学图像生成

    开发可重复使用的开源合成图像生成流程，该流程可帮助提高数字健康领域中的人工智能算法并标准化，生成不与特定患者相关的高质量合成图像数据，以改善诊断准确性、协助患者护理、降低医疗法律索赔以及最终降低卫生保健总成本。

    Mar, 2024