使用向量量化生成对抗网络在磁共振成像中生成 3D 脑肿瘤区域

Oct, 2023

使用向量量化生成对抗网络在磁共振成像中生成 3D 脑肿瘤区域

Generating 3D Brain Tumor Regions in MRI using Vector-Quantization Generative Adversarial Networks

Meng Zhou, Matthias W Wagner, Uri Tabori, Cynthia Hawkins, Birgit B Ertl-Wagner...

TL;DR提出了一种使用矢量量化生成对抗网络和转换器的方法来生成高分辨率、多样化的三维脑肿瘤感兴趣区域（ROI），作为用于诊断罕见脑肿瘤的 MRI 扫描的辅助数据，实验证明该方法在平衡数据和提高分类性能方面的有效性。

Abstract

medical image analysis has significantly benefited from advancements in deep learning, particularly in the application of generative adversarial networks (GANs) for generating realistic and diverse images that ca

medical image analysis generative adversarial networks brain tumor classification mri imbalanced data

发现论文，激发创造

3D 多模 MRI 扫描中脑肿瘤的综合分割

通过使用卷积神经网络和生成式对抗网络，研究人员成功地应用高对比度图像来增加自动分割 MRI 脑肿瘤的准确性，预测病人生存时间。

Sep, 2019

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

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

使用视觉 Transformer 集成的脑胶质母细胞瘤肿瘤分割

针对脑癌中最具侵略性和最致命的类型之一，我们提出了一种新的方法，BRAINNET，利用 MaskFormer 和神经网络生成强大的脑肿瘤分割掩膜，该方法在 MRI 图像中获得了前所未有的高准确率。

Nov, 2023

利用生成对抗网络在 BraTS 数据集中从现有模态合成缺失的 MRI 序列

利用生成对抗网络合成缺失的磁共振成像序列，为医生提供更准确的脑肿瘤诊断和支持人工智能方法在脑肿瘤磁共振成像中的应用。

Oct, 2023

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

使用 3D 生成对抗网络实现脑部 MRI 超分辨率

该研究使用对抗学习方法，采用基于 SRGAN 模型的 3D 卷积生成高分辨率 MRI 扫描图像，结合最小二乘法的对抗损失和基于均方误差和图像梯度的内容项提高生成图像的质量，并在上采样阶段探索不同的解决方案，具有潜在的 3D 医学成像超分辨率应用价值。

Dec, 2018

结合噪声到图像 GAN 和图像到图像 GAN：用于肿瘤检测的脑 MR 图像增强

通过将噪声图像和图像到图像对抗生成网络相结合，提出了一种新的数据增强方法，能够增强磁共振样本的真实性和多样性，经过 CNN 的肿瘤检测结果表明，该方法可以显著提高经典数据增强技术的敏感度和同时对其他医学影像任务有显著提升。

May, 2019

脑肿瘤放射遗传分类

通过对多参数 mpMRI 扫描图片（T1w，T1wCE，T2w 和 FLAIR）进行二分类，RSNA-MICCAI 脑肿瘤放射基因组分类挑战旨在预测胶质母细胞瘤中的 MGMT 生物标记物状态。我们使用的数据集分为三个主要组：训练集、验证集（在训练中使用），以及仅在最终评估期间使用的测试集。图像可以是 DICOM 格式或 Png 格式。我们尝试了不同的架构，包括三维版本的 Vision Transformer（ViT3D）、ResNet50、Xception 和 EfficientNet-B3，以研究这个问题。我们使用 AUC 作为主要评估指标，在测试集上，ViT3D 模型和 Xception 模型分别达到了 0.6015 和 0.61745 的优势。与其他结果相比，我们的结果在这个复杂的任务中证明是有效的。通过探索不同的策略、不同的架构和更多样化的数据集，可以进一步提高。

Jan, 2024

基于 CycleGAN 和联合扩散的两阶段生成模型用于基于 MRI 的脑肿瘤检测

提出了一种新颖的 Two-Stage Generative Model (TSGM) 框架，基于 CycleGAN 和 Variance Exploding stochastic differential equation using joint probability (VE-JP) 结合进行脑肿瘤的检测和分割，通过无监督学习和生成模型提高了分割性能和泛化能力。

Nov, 2023