纹理匹配 GAN 用于 CT 图像增强
本研究提出了基于语义指导的条件纹理生成器(CTGAN),用于生成具有与视角一致且尊重形状语义的高质量 3D 纹理,通过精细操作潜在编码实现对生成纹理的风格和结构的显式控制,并通过输入分割进一步增强对纹理结构的控制,实验证明 CTGAN 在多个质量评估指标上优于现有的方法,并在有条件和无条件场景下实现了最先进的纹理生成性能。
Feb, 2024
本文提出了一种新的自主驱动生成对抗网络模型(SdCT-GAN),通过引入鉴别器中的新型自动编码器结构,以及结合来自 2D X 射线图像的边缘信息的 Sobel 梯度引导器(SGG)思想,能够更好地保留细节并使用 LPIPS 评估度量量化评估重构图像的轮廓和纹理,实验证明了该模型相对于主流最先进基准模型的优势。
Sep, 2023
使用生成对抗网络(GAN)框架从两个正交 X 射线重构 CT。所提出的特殊设计的生成器网络通过提供从 2D 到 3D 的数据维度增加,从而提高了医学成像技术。该方法不需要完整的旋转扫描并可以在低成本的 X 射线机上实现。在公开的胸部 CT 数据集上进行了广泛的实验评估,并获得较好的成果。
May, 2019
本文提出了一种使用深度卷积神经网络和生成对抗网络重建人脸纹理和形状的新方法,以及一种自监督回归方法用于较快的拟合过程,展示了可生成高频细节的写实和身份保留的 3D 面部重建。
May, 2021
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
通过引入生成对抗网络(GANs)的创新方法,我们提出了一种合成医学图像的方法,通过深度卷积神经网络(CNNs)架构的生成器和鉴别器网络以及对抗训练方法,即使在有限的真实医学图像数据训练下,也能生成逼真的合成图像,并成功模拟了真实医学图像的结构和纹理特征。
May, 2024
通过使用 SkullGAN,我们可以生成大量合成的头骨 CT 切片,以训练涉及人类颅骨的神经网络,从而克服了准备大型高质量训练数据集所面临的挑战。
Aug, 2023
本文提出了一种使用生成对抗网络(GAN)实现未配对 MR 和 CT 图像的合成的方法,可以利用其进行放射治疗等方面的治疗规划。经过定量评估,该模型能够合成接近参考 CT 图像的 CT 图像,并且能够超过使用配对 MR 和 CT 图像训练的 GAN 模型。
Aug, 2017
本文利用深度学习模型和生成对抗网络技术,在 UV 空间下重建面部纹理,并通过优化参数和预先训练的深度身份特征进行监督来实现高保真和身份保留的 3D 面部重建,同时在高频细节方面实现了面部纹理重建的最高成果
Feb, 2019
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