Nov, 2023

一种严格有界的深度网络用于医学图像的非配对循环转换

PDF
TL;DR医学图像翻译是一个棘手的问题，本研究提出了一种严格有界的双向翻译网络，通过使用自适应字典学习和交叉邻域上下文特征信息来提高翻译的泛化能力，实现了在不配对的医学图像上的稳定双向翻译。
medical image translationunpaired medical imagescyclic conditional generative adversarial networkadaptive dictionary learningcross-neighborhood contextual feature information
发现论文，激发创造
  • 堆叠循环一致性对抗网络的无监督图像对图像翻译

    通过将单一翻译分解为多阶段变换并开发一种自适应融合块，我们提出了新颖的堆叠循环一致性对抗网络（SCANs），以在粗糙到精细的方式下提高图像翻译质量并实现更高分辨率的图像翻译。

    Jul, 2018

  • CDGAN: 循环判别式生成对抗网络用于图像到图像转换

    本文介绍了一种名为 CDGAN 的图像到图像转换网络，该网络在原有 CycleGAN 框架中添加了附加的鉴别器网络，以生成高质量、更逼真的图像，并在三个基准图像到图像转换数据集上进行了测试，结果表明该方法优于现有的最先进方法。

    Jan, 2020

  • MRI 图像翻译的 CycleGAN 模型

    该研究提出了使用 CycleGAN 模型将神经图像从一种场强转化为另一种的方法，并将其与基于 DCGAN 结构的模型进行了比较，结果表明 CycleGAN 能够以较高的准确度生成合成和重构图像。

    Dec, 2023

  • 使用 GAN 进行医学图像翻译的 MedGAN

    本文提出了一种名为 MedGAN 的新框架，利用对抗生成网络（GANs）的方法对医学影像进行图像翻译，以此来实现 PET-CT 图像转换，矫正磁共振运动伪影和 PET 图像去噪等不同任务，感知分析和定量评估结果表明，MedGAN 比其他现有的翻译方法表现更优秀。

    Jun, 2018

  • 用生成式对抗网络实现无监督图像翻译

    介绍了一种基于深度卷积神经网络以及条件生成式对抗网络的通用方法，通过非监督学习来解决图像转换问题，实现了不同域之间的图像转换，并且在多样性方面表现出了很好的通用性。

    Jan, 2017

  • 基于分割重标准化的深度特征调制技术，用于非配对图像协调

    本文提出了一种基于分割归一化图像转换框架的方法，通过用可训练的比例和位移参数代替归一化层中的仿射变换，调制每个级别的特征，从而减少各种成像设备之间的异构性，同时保留解剖结构布局，并在多种成像模态（T1w MRI，FLAIR MRI 和 OCT）的数据集上进行评估。

    Feb, 2021

  • 循环一致性对抗网络实现非配对图像之间的转换

    该研究论文介绍了一种用于图像翻译的无监督学习方法，采用对抗性和循环一致性损失将源域图像翻译到目标域中，并且在多项任务上的实验结果表明该方法优于之前的方法。

    Mar, 2017

  • 依赖于条件的一维信号转换的 (非) 配对信号转换

    通过使用一维条件生成对抗网络，将二维图像转化为一维信号，并通过量化相关性和误差来验证这种转化的可行性。

    Mar, 2024

  • 基于不确定性引导的渐进式生成对抗网络用于医学图像翻译

    本文提出了一种基于不确定性引导的逐渐学习方案，通过将不确定性作为逐步训练的 GAN 的注意力图，逐步生成逼真的图像，并将其应用于 PET 到 CT 转换、MRI 重构和运动伪影校正等三个医学图像翻译任务中，实现了良好的性能提升。

    Jun, 2021

  • 双生成器对抗生成网络用于多域图像翻译

    该文介绍了一种基于生成对抗网络 (GANs) 的双生成器生成对抗网络 (G$^2$GAN) 方法，可以通过一种单一模型实现多个领域的非配对图像转换，并研究了不同的优化损失，以提高稳定性。该方法在 6 个公共数据集上进行广泛实验，证明了其相对于现有的 GAN 模型在模型容量和图片生成性能上具有卓越的优势。

    Jan, 2019