Nov, 2023

合成增强：揭示合成数据在医学影像研究中的潜力

PDF
TL;DR使用扩散模型的合成数据补充对胸部 X 射线影像（CXR）分析中深度学习（DL）分类器性能的影响进行了研究，评估了内部和外部数据集上分类器的性能，结果表明合成数据补充可以增强模型准确性，尤其是在检测罕见病变方面。然而，尽管结果有希望，真实数据的优越性仍然存在。
发现论文，激发创造
  • 使用生成模型生成胸部 X 射线数据的可行性评估

    使用生成模型（特别是 PG-GANs 和 Stable Diffusion fine-tuning）生成合成胸部 X 射线图像进行医学诊断的可能性的探索。使用 Chest X-ray 14 数据集进行实验，并通过定性和定量分析评估我们的模型的性能，结果表明生成的图像具有可信度，可以用于提高分类模型的准确性。

    May, 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

  • 深度挖掘外部不完美数据用于胸部 X 光疾病筛查

    本文提出了一种用于 Chest X-ray 的多标签分类深度学习框架，通过领域和标签的权重独立二进制任务方法以及任务特定的生成对抗网络训练，处理多个数据集之间的差异性，提高了分类准确度。在三个数据集上实验，AUC 达到了 0.8349，表明本文方法在使用外部数据集来提高内部分类方面具有很高的效果。

    Jun, 2020

  • 使用逐渐增长的 GAN 生成的合成胸部 X 射线的临床逼真度评估

    提出了一种利用 GAN 进行胸部 X 光图像合成的方法，使用 Frechet Inception 距离量化合成图像的质量，并邀请放射学专家评估其临床真实性和多样性。

    Oct, 2020

  • 利用神经扩散模型生成合成医学图像识别假肺部

    本文探讨使用神经扩散模型合成医学图像的可能性，结果表明扩散模型生成的图像可以翻译一些胸部 X 射线或 CT 图像中特定医学情况的特征，这是一项新的人工智能医学图像研究，展示了扩散模型在医学图像合成领域的潜力。

    Nov, 2022

  • 关于从偏见和合成 CXR 图像的准确性角度看幻觉的观念

    利用 Stabile Diffusion 模型 (RoentGen) 对医学影像进行数据增强，并进行偏倚分析和幻像检测，结果发现生成的合成胸部 X 射线图像中存在分类偏差和幻像，指向了解释合成影像的新研究方向，以进一步理解相关风险和医学应用中的患者安全性。

    Dec, 2023

  • RoentGen: 胸部 X 光图像生成的视觉语言基础模型

    本研究提出了一种策略来克服大规模自然 - 医学分布偏移，并使用预先训练的潜在扩散模型在公开可用的胸部 X 射线（CXR）及其对应的放射学（文本）报告语料库上进行调整，评估了生成的高保真 CXR 的图像质量和文本 - 图像对齐的能力，并观察到使用数据增强的方式训练动态成像分类器的证据。

    Nov, 2022

  • CheXphoto：用于深度学习鲁棒性基准测试的 10,000 多张胸部 X 光片及变换

    使用智能手机拍摄胸部 x 线照片并对其进行自动化解释需要可靠的算法。为了解决这个问题，我们介绍了一个基于 CheXpert 数据集的 CheXphoto 数据集，该数据集包含了智能手机拍摄的照片和经过合成变换的数字 x 线照片，旨在测试和提高深度学习算法对智能手机照片的鲁棒性。

    Jul, 2020

  • 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

  • 高分辨率胸部 X 光合成的级联潜在扩散模型

    本文研究了基础模型在医疗领域的应用，提出了 Cheff 模型生成高质量胸部 X 光片，并提出了 MaCheX 接口，用于公共胸部数据集，从文本提示文档指导合成过程，揭示了医学图像处理中报告到 X 光片生成的研究领域。

    Mar, 2023