Sep, 2023

M3Dsynth：具有 AI 生成的局部操作的医疗 3D 图像数据集

PDF
TL;DR研究了医学图像中操纵内容的侦测问题，提出了一个大型数据集 M3Dsynth，并展示了该数据集对于训练侦测器在各种情况下具有良好的泛化能力。
发现论文，激发创造
  • 基于 3D 多条件 GAN 的 CT 图像增强合成各种大小的肺结节以进行目标检测

    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

  • 生成增强三维医学影像

    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

  • 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

  • 生成对抗网络三维骨骼图像合成

    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

  • 语义扩散模型生成肺结节病变图像高保真合成

    利用语义扩散模型生成高保真度肺部 CT 图像扩充数据集，并在肺结节检测和定位任务中展现了优异性能。

    May, 2023

  • 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

  • 一种病理多模态 MR 图像和分割的 3D 生成模型

    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

  • 合성医学影像的质量如何？肺部超声的实证研究

    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

  • 使用 GAN 生成 3D 心脏超声图像的合成标记数据集的数据增强流水线

    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

  • DermSynth3D：野外标注皮肤科图像的合成

    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