Aug, 2023

基于任务型 fMRI 学习顺序信息的合成数据增强

PDF
TL;DR该论文提出了一种生成合成 fMRI 序列的方法，以创建增强的训练数据集，并通过视觉化和自闭症谱系障碍（ASD）分类任务的评估结果表明，合成的任务特定 fMRI 可以在学习 ASD 分类任务中提供有效的数据增强。
training datamedical image analysisfunctional magnetic resonance imagessynthetic fmri sequencesdata augmentation
发现论文，激发创造
  • FMRI 数据增强合成

    本研究使用经典方法和现代隐式生成模型对神经影像数据集进行了合成增广，能够 “改善预测 fMRI 模型的质量”，并且在预测认知和行为结果方面得到了较好的性能提升。

    Jul, 2019

  • 半监督和任务驱动的数据增强

    本文技术为使用生成模型并结合任务驱动数据增强方法，显式地建模变形场和强化蒙版，用于为监督型深度学习模型训练新的 MRI 心脏分割训练数据，实验结果表明该方法在小样本数据的分割任务中表现优异。

    Feb, 2019

  • 使用生成对抗网络进行医学图像合成的数据增强和匿名化

    本研究中，我们提出了一种使用生成性对抗网络通过在两个公共数据集上训练生成合成 MRI 图像的方法，以产生具有脑肿瘤的合成异常 MRI 图像。结果表明这些合成图像提供两个独特的好处，第一是作为数据增强的一种方式，可以提高肿瘤分割的性能，第二，证明了生成模型作为匿名化工具的价值，通过使用合成数据，实现了与实际患者数据训练具有可比性的肿瘤分割结果。这些结果为解决医学成像中机器学习面临的两个最大挑战，即病理发现的小发生率和患者数据共享的限制，提供了潜在的解决方案。

    Jul, 2018

  • 基于 3T fMRI 数据和无监督学习的视网膜视觉图像重建

    通过无监督生成对抗网络 (GAN) 结合 7T 和 3T 两个不同的 fMRI 数据集，本文提出了一种新的框架来生成改进的 3T fMRI 数据，克服高质量 7-Tesla 数据的稀缺性和 3-Tesla 实验中简短和低质量扫描的挑战，证明了该方法在生成优质输入视觉图像方面相对于在单个主题上进行训练和测试的数据密集型方法的能力。

    Apr, 2024

  • 使用已学习变换的数据增强技术进行一次性医学影像分割

    该研究提出了一种自动化数据增强方法，用于合成标记的医学图像，该方法可用于磁共振成像（MRI）的脑部扫描分割任务。该方法利用半监督方法，从未标注的扫描中学习图像变换模型，并使用标记示例合成其他标记示例。实验证明使用这些新示例进行监督分段器训练相比目前的一次性生物医学图像分割方法，有明显的改进。

    Feb, 2019

  • 合成脑图像：用生成对抗模型弥合脑部映射中的差距

    使用深度卷积生成对抗网络（DCGAN）合成高保真和逼真的 MRI 图像切片，为医学影像研究提供深度学习技术的应用。

    Apr, 2024

  • 多任务学习：从多个合成任务中学习医学异常定位

    针对现实场景中实际应用领域不断增多的无泛化的外部分布，我们的新方法利用多个可视化的、不同的、合成异常学习任务进行训练和验证，从而增强了样本的鲁棒性和泛化性，实现了对基于脑部 MRI 和胸部 X 射线的最新方法的超越。

    Jul, 2023

  • 可解释的深度框架：面向多对一 MRI 综合的任务特定融合

    本文提出一种可解释的任务特定综合网络，通过训练可调节的任务特定加权平均模块和任务特定注意模块，可视化每个输入序列的贡献并突出网络尝试在合成过程中完善的区域。在 BraTS2021 数据集上的实验证明了该方法在任意序列合成方面具有优异的性能，是当前最先进方法的一步之遥。

    Jul, 2023

  • GAN 增强：使用生成对抗网络进行训练数据增强

    本文使用生成式对抗网络（GAN）生成的合成数据来增加医学成像训练数据集的样本数量，从而提高监督式机器学习算法对图像分割任务的性能。

    Oct, 2018

  • 使用合成磁共振图像的脑肿瘤分割 ——GAN 和扩散模型的比较

    本文研究了利用生成模型如 GANs 构建的合成影像，其在大脑肿瘤分割任务上与真实影像训练的性能差异，发现实验结果在一定数据量下合成影像可以很好地训练神经网络，而常用的评估合成影像的指标无法很好地预测其在特定任务上的性能。

    Jun, 2023