Nov, 2023

合成肿瘤操控：基于影像学特征的研究

HTML
PDF
TL;DRRadiomicsFill是一种基于放射组学特征的合成肿瘤生成器，通过使用放射组学特征进行条件限制，可以对肿瘤的亚区进行详细控制和个体操作。该模型通过结合生成对抗网络、放射组学特征条件限制和多任务学习，通过和神经胶质瘤患者的实验证明RadiomicsFill不仅具备生成多样、逼真的肿瘤的能力，还能够对'像素表面'和'形状球度'等具体的放射组学特征进行微调。RadiomicsFill生成无限数量逼真的合成肿瘤的能力为推动医学成像研究和潜在的临床应用提供了显著前景。
发现论文，激发创造
  • 具有上下文感知的生成对抗网络医学图像合成

    本文提出了一种数据驱动的全卷积神经网络，利用对抗训练和图像梯度差异损失函数来更好地建模MRI到CT的非线性关系，进而生成与之对应的CT图像，实验证明其准确性和稳健性，并且表现优于已有的三种方法。

    Dec, 2016

  • 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

  • 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

  • 使用合成磁共振图像的脑肿瘤分割——GAN和扩散模型的比较

    本文研究了利用生成模型如 GANs 构建的合成影像，其在大脑肿瘤分割任务上与真实影像训练的性能差异，发现实验结果在一定数据量下合成影像可以很好地训练神经网络，而常用的评估合成影像的指标无法很好地预测其在特定任务上的性能。

    Jun, 2023

  • 利用具有特征提取的CycleGAN从CT扫描生成增强的合成MRI图像

    本研究介绍了一种利用合成MRI图像进行增强的单模态配准的方法，通过利用CycleGANs和特征提取器从CT扫描中生成这些合成MRI图像，该方法在多个比较度量标准上表现出优秀的结果，验证了其有效性。

    Oct, 2023

  • 走向通用肿瘤合成

    利用计算机断层扫描（CT）检查中早期肿瘤的相似成像特征，本研究使用生成式人工智能模型制造现实感肿瘤，可以泛化到多个器官，并且所得到的模型可以在不同机构的CT图像中检测和分割真实肿瘤。

    Feb, 2024

  • 从像素到癌症：细胞自动机在计算机断层扫描中的应用

    通过细胞自动机模拟肿瘤的发展过程，我们建立了一套通用规则，将肿瘤状态整合到原始计算机断层扫描图像中，生成了不同器官的合成肿瘤。经过临床读者研究和技术性评估，证明了合成肿瘤的真实性和早期癌症检测的潜力。

    Mar, 2024

  • 放射影像学填充乳房X光照片:基于放射影像学特征的合成乳房X光照片肿块处理

    本研究利用放射组学特征探索了生成合成肿瘤图像的可行性，通过RadiomicsFill-Mammo技术，使用遮罩图像和对侧乳房图像生成模拟的乳腺肿块图像，此方法能根据放射组学特征生成真实多样的肿瘤图像，并显著改进了肿块检测能力，为治疗规划和肿瘤模拟开辟了新的研究方向。

    Jul, 2024

  • 利用多模态CycleGAN从MRIs生成解剖准确的合成CT扫描

    本研究通过分析不同深度学习模型配置，利用生成对抗网络（GAN）和CycleGAN架构，在无监督和无配对图像的情况下从MRI生成合成CT扫描，以解决MRI与CT在医学影像学中应用方面的效率与成本问题。

    Jul, 2024

  • 肿瘤合成分析

    本研究解决了计算机辅助肿瘤检测面临的真实肿瘤数据稀缺和标注困难的问题，提出利用合成肿瘤生成技术，增强肿瘤检测和分割的AI训练。研究表明，通过合成肿瘤进行训练的AI在性能上与仅使用真实数据训练的AI相当，甚至更优，展示了合成数据在癌症影像研究中的巨大潜力。

    Sep, 2024