合성医学影像的质量如何？肺部超声的实证研究

Oct, 2023

合성医学影像的质量如何？肺部超声的实证研究

How Good Are Synthetic Medical Images? An Empirical Study with Lung Ultrasound

Menghan Yu, Sourabh Kulhare, Courosh Mehanian, Charles B Delahunt, Daniel E Shea...

TL;DR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。

Abstract

Acquiring large quantities of data and annotations is known to be effective for developing high-performing deep learning models, but is difficult and expensive to do in the healthcare context. Adding synthetic training

deep learning models synthetic training data generative models medical image analysis data augmentation

发现论文，激发创造

多种医学模态下的合成数据生成人工智能：最新发展及挑战的系统综述

本研究综述了生成模型在合成各种医学数据类型方面的广泛应用，探索了合成应用、生成技术和评估方法等方面的见解，强调了医学数据的唯一性和临床应用的需求。同时，研究也揭示了医学图像评估方法的不足之处，呼吁进行深入评估、基准测试和比较研究以促进开放和合作。

Jun, 2024

利用潜在扩散模型的合成数据增强医疗图像分类器

利用潜在扩散模型生成皮肤病图像的研究表明，通过合成数据训练模型可以在数据有限的情况下提高性能，但合成数据与真实数据相比仍然有较小的性能增益，因此收集多样的真实数据仍是提升医疗人工智能算法的重要步骤。

Aug, 2023

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

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

利用生成模型提升临床文档的质量

通过合成数据生成技术来提升临床文档编制的方法，生成高质量的合成文本以准确和高效地改善现有的文档工作流程，进而改善病患护理、减少行政负担和提高医疗系统效率。

Jun, 2024

利用 GAN 应对 COVID-19 数据稀缺：超越炒作

本研究分析了 43 项 GAN 生成合成数据的研究的发表情况，并发现存在数据偏见、缺乏可复现性、缺乏来自放射学家或其他领域专家的反馈等问题。最后，提出了建议以指导未来的研究。

Apr, 2023

生成模型改善在分布偏移下医疗分类器的公平性

通过使用生成模型以标签有效的方式从数据中自动学习逼真的增强，我们展示了这种方法如何通过改进领域通用性来提高医学成像数据的鲁棒性和算法公平性。