M3Dsynth:具有 AI 生成的局部操作的医疗 3D 图像数据集
本研究提出了一种基于 3D 多条件 GAN 的数据增强方法,以生成真实 / 多样化的肺部 CT 图像结节,从而提高 3D 物体检测的敏感性,克服了医学数据匮乏的难题。
Jun, 2019
GEM-3D 是一种基于条件扩散模型的新型生成方法,通过将 3D 医学图像分解为掩模和患者信息,从现有数据集中生成不同变化的高质量 3D 医学图像,实现了数据集的增强。
Mar, 2024
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
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
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
提出了一种基于 generative 模型和 synthetic 数据的 3D 脑 MRI 和分割模型 brainSPADE3D,可以调节病理表型和对比度,生成高保真的合成图像和相关分割,以改善在数据中存在意外病变时的分割模型性能问题。
Nov, 2023
通过使用生成模型中的合成训练数据,本研究提出了一个全面框架,以提高医学图像分析的模型开发效果,同时解决数据稀缺、数据不平衡和患者隐私问题。通过在各种规模的数据集上进行测试,我们展示了生成模型作为数据增广方法的优势,以及通过敌对方法保护患者隐私以及使用实际留存数据进行模型测试的新型性能指标。我们证明了使用合成数据和真实数据进行训练优于仅使用真实数据进行训练,并且仅使用合成数据进行训练的模型接近仅使用真实数据进行训练的模型。
Oct, 2023
通过结合详细的心脏解剖分割模型和真实数据集,利用生成对抗网络(GAN)生成 3D 合成数据集来解决医学成像领域中的数据收集和标注困难,从而应对 3D 心脏超声图像数据稀缺问题,并展示了该方法在分割算法训练中的潜在应用价值。
Mar, 2024
本研究提出了一种名为 DermSynth3D 的新型框架,它将皮肤病模式与人类主体的 3D 网格相融合,并使用可微分渲染器从不同的摄像机视点在各种背景场景下生成 2D 图像。DermSynth3D 可以为各种皮肤病学任务创建自定义数据集,该数据集在训练深度学习模型时表现良好。
May, 2023