Jan, 2024

MRI 上局部伽马增强对缺血性脑卒中损伤分割的研究

PDF
TL;DR鉴别和定位医学图像中的病理组织在深度学习领域仍然备受关注。我们提出了一种局部伽玛增强技术，通过引入新的病理组织灰度值实例来改善深度神经网络在脑部 MRI 上对缺血性卒中损伤的分割任务的图像级敏感性。
发现论文，激发创造
  • 半监督和任务驱动的数据增强

    本文技术为使用生成模型并结合任务驱动数据增强方法，显式地建模变形场和强化蒙版，用于为监督型深度学习模型训练新的 MRI 心脏分割训练数据，实验结果表明该方法在小样本数据的分割任务中表现优异。

    Feb, 2019

  • 使用已学习变换的数据增强技术进行一次性医学影像分割

    该研究提出了一种自动化数据增强方法，用于合成标记的医学图像，该方法可用于磁共振成像（MRI）的脑部扫描分割任务。该方法利用半监督方法，从未标注的扫描中学习图像变换模型，并使用标记示例合成其他标记示例。实验证明使用这些新示例进行监督分段器训练相比目前的一次性生物医学图像分割方法，有明显的改进。

    Feb, 2019

  • 自我监督的大脑损伤生成，用于医学图像的有效数据增强

    提出了一个综合框架，通过基于对抗自编码器的病变生成器和软泊松融合算法，高效地生成用于训练脑部病变分割模型的新的逼真样本，并引入原型一致性正则化以实现真实和合成特征的对齐，验证表明该方法在两个公共脑部病变分割数据集上优于现有的数据增强方案。

    Jun, 2024

  • 基于 PGGAN 的无限制脑部 MR 图像数据增强用于肿瘤检测

    本研究使用生成对抗网络（GAN）通过 Progressive Growing 技术生成 256x256 大小的 MRI 图像，结合传统数据增强技术可以有效地提高脑肿瘤检测的性能及在医学成像任务中的应用。

    Mar, 2019

  • MR 图像分割的逼真对抗数据增强

    本文提出了一种对神经网络进行医疗图像分割的对抗性数据增强方法，生成真实信号失真来模拟由一种常见的造影剂称为偏差场引起的强度不均匀性，该方法可用于有监督和半监督学习中的一般分割网络的插件模块，并且在低数据情况下显著提高了模型的泛化能力和鲁棒性。

    Jun, 2020

  • LesionMix：医学图像分割的病灶级数据增强方法

    LesionMix 是一种新颖而简单的病变感知数据增强方法，在病变层面上进行增强，增加病变的形状、位置、强度和负载分布的多样性，并允许进行病变填充和修复，在多种模态和病变数据集上表现出有希望的病变图像分割性能，优于几种最近的基于混合的数据增强方法。

    Aug, 2023

  • 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

  • 利用基于 GAN 的合成医学图像增强技术提高 CNN 在肝脏病变分类中的性能

    使用生成对抗网络合成医学图像，然后将其用于合成数据增强以提高卷积神经网络在医学图像分类中的性能。

    Mar, 2018

  • GAN 迁移学习：将标注和未标注数据结合进行 GAN 数据增广

    利用带标签和未标签数据结合的生成对抗网络模型进行医学影像分割，验证了该方法在阿尔兹海默病数据集上可以有效提高灰质深部结构分割的准确性。

    Nov, 2018

  • 基于深度学习的有限数据加速 MRI 重建中的数据增强

    本研究针对医学图像重建问题，提出了一种数据增强（DA）的方法 MRAugment，通过多项实验证明，在训练数据较少的情况下，MRAugment 能有效地防止过拟合并达到甚至超过目前最新技术水平；而在大量训练数据下，MRAugment 的效果则有所降低。此外，研究结果还表明，DA 方法能提高模型对于测试数据偏移的鲁棒性。

    Jun, 2021