利用半监督的序列生成对抗网络进行双模式医学图像合成

Aug, 2023

利用半监督的序列生成对抗网络进行双模式医学图像合成

Bi-Modality Medical Image Synthesis Using Semi-Supervised Sequential Generative Adversarial Networks

Xin Yang, Yi Lin, Zhiwei Wang, Xin Li, Kwang-Ting Cheng

TL;DR我们提出了一种基于顺序生成对抗网络（GAN）和半监督学习的双模医学图像合成方法，该方法包括两个生成模块，用于按顺序合成两种模式的图像。通过度量合成复杂性的方法自动确定顺序，首先合成较低复杂度的模式图像，然后再生成较高复杂度的模式图像。我们的顺序 GAN 在半监督方式下进行端到端训练，通过监督训练，从两种模式的真实配对图像中明确最小化真实和合成图像之间的重建损失来学习双模医学图像的联合分布；为了避免过拟合有限的训练图像，在无监督训练中，通过最小化真实图像和合成图像的 Wasserstein 距离学习每种模式的边际分布。我们通过基于三种评估指标和用户研究的两个合成任务全面评估了我们提出的模型。视觉和定量结果证明了我们的方法相对于现有方法的优越性，以及良好的视觉质量和临床重要性。代码公开可用于此 URL。

Abstract

In this paper, we propose a bi-modality medical image synthesis approach based on sequential generative adversarial network (GAN) and semi-supervised learning. Our approach consists of two generative modules that synthesize images of the two modalities in a sequential order. A method f

bi-modality medical image synthesis sequential generative adversarial network (gan)semi-supervised learning synthesis complexity wasserstein distance

发现论文，激发创造

生成对抗网络用于大脑影像合成的综述

本文主要介绍了使用生成对抗网络（GAN）进行医学图像合成的研究。作者总结了最近应用 GAN 进行交叉模态大脑图像合成的进展，包括 CT 合成 PET、CT 合成 MRI、MRI 合成 PET 以及相反的方向。

May, 2023

基于生成对抗学习的少样本 3D 多模态医学图像分割

我们提出了一种基于生成对抗网络（GANs）的新方法，用于使用标记和未标记的图像训练分割模型，并针对神经影像学中的 3D 多模态医学图像分割问题进行了全面分析。在对 iSEG-2017 和 MRBrainS 2013 数据集进行试验后，我们报告了与完全监督训练相比的显着性能提高。

Oct, 2018

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

利用 GAN 增强医学图像从有限数据中合成逼真图像

通过引入生成对抗网络（GANs）的创新方法，我们提出了一种合成医学图像的方法，通过深度卷积神经网络（CNNs）架构的生成器和鉴别器网络以及对抗训练方法，即使在有限的真实医学图像数据训练下，也能生成逼真的合成图像，并成功模拟了真实医学图像的结构和纹理特征。

May, 2024

缺失模态插值的统一多模态图像合成

该论文提出了一种新的统一的多模式图像综合方法，包括通过生成敌对网络从任意可用模式的组合中合成丢失的模态，并使用共性和差异敏感编码器及动态特征统一模块来提高图像合成质量和适应性，实验结果表明该方法在处理多种综合任务时具有优越的性能。

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

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

使用生成对抗网络进行半监督和弱监督语义分割

本文利用大量未标注或弱标注的数据和生成式对抗网络作为背景，提出了一种半监督框架实现语义分割，其中利用推理出的大量虚假图片来强化真实数据的特征聚类；同时，通过提供分类级别信息，提高 GAN 生成图像的质量，进而改善了像素分类，该方法经过在几个挑战性的基准视觉数据集上测试，表现与当前的最先进语义分割方法相当。

Mar, 2017

基于条件隐式极大似然估计的多模态图像合成

本文提出了基于 IMLE 的新型多模式条件图像合成方法，并在两个任务中演示了更好的多模式图像合成性能，即单幅图像超分辨率和从场景布局中的图像合成。

Apr, 2020

贝叶斯生成对抗网络

本研究提出了基于贝叶斯公式的 GAN 模型，通过使用随机梯度哈密顿蒙特卡罗方法边缘化生成器和鉴别器网络的权重，在不需要特征匹配或使用小批量区分等标准干预的情况下，实现半监督和无监督的学习效果，避免了模式崩塌的问题，并在多个基准数据集上取得了最佳性能。

May, 2017