Dec, 2023

RadImageGAN -- 用于医学成像的多模态数据集规模的生成式人工智能

PDF
TL;DRRadImageGAN 是第一个多模态放射学数据生成器，通过使用真实的 RadImageNet 数据集训练 StyleGAN-XL 来生成高分辨率的合成医学图像数据，以应对医学图像深度学习中的数据稀缺问题，并提高模型性能和降低分割任务中的标注资源需求。
deep learningmedical imagingradimagegansynthetic datasegmentation tasks
发现论文，激发创造
  • 医学图像的生成对抗网络 (MI-GAN)

    本文提出了一种新的医学影像生成对抗网络 (MI-GAN)，可以用于合成视网膜图像及其分割掩模，以进行医学影像的监督分析，结果证明其在 STARE 数据集和 DRIVE 数据集上性能表现优异，达到了当时的最佳状态。

    Oct, 2018

  • 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

  • 基于 DatasetGAN 的医学影像应用：初步研究

    利用现代生成对抗网络训练的 DatasetGAN 可以高质量合成带分割信息的图像，本研究探索 DatasetGAN 在医学成像中的应用，并就其独特特征提出三项优化建议，进而使用合成数据集训练了一个预定义的图像分割技术。结果表明 DatasetGAN 的效果显著且具有潜在用途。

    Feb, 2022

  • GAN 增强：使用生成对抗网络进行训练数据增强

    本文使用生成式对抗网络（GAN）生成的合成数据来增加医学成像训练数据集的样本数量，从而提高监督式机器学习算法对图像分割任务的性能。

    Oct, 2018

  • 使用生成对抗网络进行平片的合成医学图像生成

    开发可重复使用的开源合成图像生成流程，该流程可帮助提高数字健康领域中的人工智能算法并标准化，生成不与特定患者相关的高质量合成图像数据，以改善诊断准确性、协助患者护理、降低医疗法律索赔以及最终降低卫生保健总成本。

    Mar, 2024

  • 基于生成对抗网络的合成学习和用于脊柱放射线图像域的新型损失项

    使用生成对抗网络合成异常脊柱放射图像，通过临床分类任务证明了合成数据的实用性和有效性，并且引入临床损失项可以提高生成准确度和加速模型训练；对于中小型医学数据集，微分隐私实现会严重妨碍 GAN 的训练。

    May, 2022

  • RadialGAN: 利用生成对抗网络结合多个数据集来提高目标特定的预测模型

    本论文提出了一种使用多个 GAN 架构进行数据集翻译的新方法，从而有效扩大目标数据集，从而在预测性能上优于仅使用目标数据集，并且在一系列真实医学数据集上优于几个其他基准。

    Feb, 2018

  • 一种病理多模态 MR 图像和分割的 3D 生成模型

    提出了一种基于 generative 模型和 synthetic 数据的 3D 脑 MRI 和分割模型 brainSPADE3D，可以调节病理表型和对比度，生成高保真的合成图像和相关分割，以改善在数据中存在意外病变时的分割模型性能问题。

    Nov, 2023

  • 基于生成对抗学习的少样本 3D 多模态医学图像分割

    我们提出了一种基于生成对抗网络（GANs）的新方法，用于使用标记和未标记的图像训练分割模型，并针对神经影像学中的 3D 多模态医学图像分割问题进行了全面分析。在对 iSEG-2017 和 MRBrainS 2013 数据集进行试验后，我们报告了与完全监督训练相比的显着性能提高。

    Oct, 2018

  • 远程感知图像中的数据增强和适应的条件生成对抗网络

    使用 GAN 将给定的标记遥感图像拓展成更大的数据集并评测其对于物体检测任务的性能提升。

    Aug, 2019