Aug, 2023

使用两个生成对抗网络的混合图像 - 表格数据的合成数据生成方法

PDF
TL;DR使用自编码生成对抗网络（GANs）和条件生成对抗网络（CTGAN），提出了一种生成综合医疗记录（包括胸部 X 光图像和结构化表格数据）的方法。通过将 GAN 模型的编码器与原始数据库中的图像进行组合，成功生成了多样的综合 X 光图像和表格数据的合成记录，并通过可视评估、间记录距离分布和分类任务评估了生成的数据库。该方法有潜力在不损害数据二次使用的情况下公开发布合成数据集。
发现论文，激发创造
  • 使用生成对抗网络合成表格数据

    本文介绍了 Tabular GAN（TGAN），这是一种可以生成表格数据（例如医学或教育记录）的生成对抗网络，利用深度神经网络生成高质量和完全合成的表格，同时生成离散和连续变量。在三个数据集上评估我们的模型时，我们发现 TGAN 在捕捉列之间的相关性和扩展大型数据集方面都优于传统的统计生成模型。

    Nov, 2018

  • CTAB-GAN: 有效的表格数据合成

    本文主要介绍了一种名为 CTAB-GAN 的条件表格 GAN 架构，可以有效地模拟多种数据类型，包括连续和分类变量，并且通过对多项机器学习算法进行测试，在五个数据集上的表现令人印象深刻。

    Feb, 2021

  • CasTGAN: 级联生成对抗网络用于逼真的表格数据合成

    本文提出了一个级联表格生成对抗网络框架（CasTGAN），可生成更逼真的表格数据，模型能捕捉实际数据的限制和相关性，并通过对辅助学习者进行扰动来提高模型抵抗特定攻击的整体稳健性。

    Jul, 2023

  • 分布式条件 GAN（discGAN）用于合成医疗保健数据生成

    本文提出一种分布式生成对抗网络 (discGANs) 用于生成针对医疗保健领域的合成表格数据，特别是离散和连续医疗数据的分布建模。通过使用该方法，我们从原始的 2,027 个电子 ICU 数据集中生成了 249,000 个合成数据记录，并使用 Kolmogorov-Smirnov (KS) 检验和卡方检验评估了其机器学习效率和性能，结果显示 discGAN 能够生成与实际数据分布相似的数据。

    Apr, 2023

  • 使用生成模型生成胸部 X 射线数据的可行性评估

    使用生成模型（特别是 PG-GANs 和 Stable Diffusion fine-tuning）生成合成胸部 X 射线图像进行医学诊断的可能性的探索。使用 Chest X-ray 14 数据集进行实验，并通过定性和定量分析评估我们的模型的性能，结果表明生成的图像具有可信度，可以用于提高分类模型的准确性。

    May, 2023

  • 基于 GAN 的胸部 X 光分类数据增强

    本文探讨了在医疗领域电脑视觉技术中普遍存在的数据样本数量不足和分类失衡的问题，并通过使用生成对抗网络技术来增强数据集以改善网络性能，结果表明这种方法适用于低数据的情况，是值得进一步研究的领域。

    Jul, 2021

  • X2CT-GAN: 用生成对抗网络从二平面 X 光线重建 CT

    使用生成对抗网络（GAN）框架从两个正交 X 射线重构 CT。所提出的特殊设计的生成器网络通过提供从 2D 到 3D 的数据维度增加，从而提高了医学成像技术。该方法不需要完整的旋转扫描并可以在低成本的 X 射线机上实现。在公开的胸部 CT 数据集上进行了广泛的实验评估，并获得较好的成果。

    May, 2019

  • 生成对抗网络三维骨骼图像合成

    利用三维生成对抗网络（GANs）能够高效地生成高分辨率的医学体积，实现模型可解释性和应用，包括图像变形、属性编辑和样式混合，并在三维 HR-pQCT 示例数据库上进行了广泛验证。

    Oct, 2023

  • 保护和扩展 —— 使用 GAN 生成时间序列医疗记录的合成数据

    通过比较各种使用生成对抗网络的合成数据生成模型，研究证明了隐私保护生成对抗网络（PPGAN）模型在保护隐私的同时保持了可接受的生成数据质量，为将来医疗应用提供更好的数据保护。

    Feb, 2024

  • 基于生成对抗网络的合成学习和用于脊柱放射线图像域的新型损失项

    使用生成对抗网络合成异常脊柱放射图像，通过临床分类任务证明了合成数据的实用性和有效性，并且引入临床损失项可以提高生成准确度和加速模型训练；对于中小型医学数据集，微分隐私实现会严重妨碍 GAN 的训练。

    May, 2022