Sep, 2023

约束 CycleGAN 用于有效生成改进空间分辨率的超声扇形图像

PDF
TL;DR通过引入 CCycleGAN 算法，本研究成功地改善了超声图像的空间分辨率和峰值信噪比，保留了结构一致性和背散射模式，并获得了更高质量的心壁运动估计。
ultrasound imagesspatial resolutioncycleganbackscattering patternsheart wall motion estimation
发现论文，激发创造
  • 利用 CycleGAN 和感知损失进行超声图像增强

    通过开发一种 CycleGAN 模型，增强外科超声图像的感知损失方法，有效地解决了手持设备产生低质量图像的硬件限制以及非对齐输入超声图像配对的常见挑战，从而显著提高了医学图像技术。

    Dec, 2023

  • 通过 CycleGAN 将超声图像转换为伪解剖展示

    通过利用神经网络的 CycleGAN 方法，从医学超声图像数据中生成伪解剖图像，提高图像质量以更好地表现病变区域，其中生成伪解剖图像在病变分割中的对比度和区分度较高，可潜在地简化诊断流程并改善临床结果。

    Feb, 2022

  • S-CycleGAN: 机器人超声成像的语义分割增强 CT - 超声图像印射

    通过引入一种名为 S-CycleGAN 的高级深度学习模型，我们在计算机断层扫描（CT）数据的基础上生成了高质量的合成超声图像，用于增强语义分割模型的训练数据集和机器人辅助超声扫描系统的开发，提高它们准确解析真实超声图像的能力。

    Jun, 2024

  • 无监督医学图像领域适应的结构保持循环生成对抗网络

    本论文介绍了一种结构保持 Cycle-GAN (SP Cycle-GAN) 模型，通过在整个 Cycle-GAN 训练过程中强制执行分割损失术语，促进医学结构的保护，并证明了其在多个数据集上的运行优于基线方法和标准 Cycle-GAN 域自适应模型。

    Apr, 2023

  • 使用结构约束 CycleGAN 进行非配对脑 MR 到 CT 的合成

    本文针对 cycleGAN 在医学图像合成中普遍存在的结构一致性问题，提出了一种基于无配对数据的结构约束 cycleGAN 方法，使用基于模态无关邻域描述符的额外结构一致性损失来约束结构一致性，并采用基于位置的选择策略进行训练图片的选择，实验结果表明该方法优于传统 cycleGAN，并且接近于使用配对数据训练的 cycleGAN。

    Sep, 2018

  • 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

  • CT 超分辨率 GAN，由相同、残差和循环学习组合限制（GAN-CIRCLE）

    本研究提出一种半监督深度学习方法，利用生成式对抗网络等技术实现从低分辨率 CT 图像到高分辨率 CT 图像的精确恢复，并在三个大规模 CT 数据集上进行了有效的定量和定性评价。

    Aug, 2018

  • MRI 图像翻译的 CycleGAN 模型

    该研究提出了使用 CycleGAN 模型将神经图像从一种场强转化为另一种的方法，并将其与基于 DCGAN 结构的模型进行了比较，结果表明 CycleGAN 能够以较高的准确度生成合成和重构图像。

    Dec, 2023

  • 频率感知的逆一致性 GAN 通过非配对光学相干断层扫描血管造影图像超分辨率

    利用频率信息的 GAN-based 非配对超分辨率方法用于 OCTA 图像，通过双通道生成器特别强调高频细胞由此，实验显示我们的方法在定量和视觉上均优于其他最先进的非配对方法。

    Sep, 2023

  • 一种严格有界的深度网络用于医学图像的非配对循环转换

    医学图像翻译是一个棘手的问题，本研究提出了一种严格有界的双向翻译网络，通过使用自适应字典学习和交叉邻域上下文特征信息来提高翻译的泛化能力，实现了在不配对的医学图像上的稳定双向翻译。

    Nov, 2023