Sep, 2023

基于解剖知识的数据增强方法增强前列腺癌检测

PDF
TL;DR通过模拟前列腺的典型生理变形并生成独特病变形状，我们提出了一种新的解剖学感知变形方法，将其应用于数据增强以增加训练集中器官和肿瘤形状的多样性，从而提高计算机辅助诊断系统对前列腺癌的检测效果。
data augmentationmedical image analysisprostate cancer detectionmagnetic resonance imagesanatomy-informed transformation
发现论文，激发创造
  • 基于 MCTS 的前列腺 MRI 分割动态数据增强

    本研究提出了一种自适应数据增强方法，称为 DDAug，它通过动态建立一棵树状结构，使用高效的蒙特卡罗树搜索算法来更新、修剪和采样该树，从而自动优化数据集的数据增强管道，实验结果表明该方法优于当前最先进的数据增强策略。

    May, 2023

  • 基于深度学习的有限数据加速 MRI 重建中的数据增强

    本研究针对医学图像重建问题，提出了一种数据增强（DA）的方法 MRAugment，通过多项实验证明，在训练数据较少的情况下，MRAugment 能有效地防止过拟合并达到甚至超过目前最新技术水平；而在大量训练数据下，MRAugment 的效果则有所降低。此外，研究结果还表明，DA 方法能提高模型对于测试数据偏移的鲁棒性。

    Jun, 2021

  • 基于双层优化的组织病理学图像自动数据增强学习

    通过自动数据增强学习方法，我们提出了一个神经网络模型训练的解决方案，可以自动学习改善模型训练所需的颜色和几何变换参数，特别适用于组织病理学图像的分类任务。

    Jul, 2023

  • 基于 PGGAN 的无限制脑部 MR 图像数据增强用于肿瘤检测

    本研究使用生成对抗网络（GAN）通过 Progressive Growing 技术生成 256x256 大小的 MRI 图像，结合传统数据增强技术可以有效地提高脑肿瘤检测的性能及在医学成像任务中的应用。

    Mar, 2019

  • 关于生成对抗网络训练中的数据增强

    本研究提出了一个称为 Data Augmentation Optimized for GAN (DAG) 的框架，用于在 GAN 训练中使用增强数据来改善原始分布的学习，通过理论分析表明该方法有效地利用增强数据来提高鉴别器和生成器的学习，并在自然图像和医疗图像数据集上证明了 DAG 的有效性和优越性。

    Jun, 2020

  • 基于条件 PGGAN 的数据增强技术学习少量数据量提高基于 MR 图像高度粗略注释的脑转移瘤检测

    使用基于生成对抗网络（GAN）的数据扩充技术，提出了一种将高精度标注逐渐添加至 GAN 的算法来定位 MR 图像中的肿瘤区域，实现基于卷积神经网络的脑部肿瘤检测，结果显示该技术可以在不增加过多假阳性结果的情况下提高 10％的检测灵敏度。

    Feb, 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

  • 基于贝叶斯的随机语义数据增强在医学图像分类中的应用

    提出了一种名为 Bayesian Random Semantic Data Augmentation 的新型、高效且即插即用的语义数据增强方法（BRSDA），通过在特征空间中沿特定方向进行简单的平移，实现语义转换，并结合其他主流的数据增强方法，取得了优越的性能。

    Mar, 2024

  • 面具引导的多参数磁共振成像数据增强方法在一种罕见肝细胞癌中的应用

    介绍了一种新的数据增广框架，通过生成式深度学习方法生成大规模宏小结肝细胞癌的多参数（T1 动脉，T1 门静脉和 T2）磁共振图像及其相应的肿瘤掩膜，所提出的方法在有限的多参数 MRI 三元组数据集上训练，生成了 1000 个合成三元组及其相应的肝脏肿瘤掩膜，Frechet Inception Distance 得分为 86.55，此方法是由法国放射学学会组织的 2021 年数据增广挑战中的获胜者之一。

    Jul, 2023

  • 分析医学图像的数据增强方法：超声图像案例研究

    该研究分析了不同数据增强技术对乳腺超声图像中乳腺病变分类的有效性，评估了研究结果在多个数据集上的普适性，并展示了某些增强技术比其他技术更为有效，并且它们的使用能够显著提高分类性能。

    Mar, 2024