Jan, 2024

MITS-GAN: 保护医学影像免受生成对抗网络篡改

PDF
TL;DR介绍了一种新颖的方法 MITS-GAN，用于防止医学图像篡改，特别关注 CT 扫描。该方法通过引入不可察觉但准确的扰动，干扰攻击者的 CT-GAN 结构的输出。该方法的实验证明了其在 CT 扫描数据集上具有卓越的性能，强调了其能够生成无法察觉的篡改图像。
发现论文，激发创造
  • 利用 GAN 增强医学图像从有限数据中合成逼真图像

    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

  • 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

  • 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

  • 生成对抗网络用于数据增强

    使用生成对抗网络 (GANs) 来扩充医疗领域中用于训练人工智能模型的可用数据集是可行的，然而仍需在医学影像使用 GANs 方面进行更进一步的研究以确保生成的影像质量高并适用于临床环境。

    Jun, 2023

  • 医学图像分析中的 GANs

    该综述性论文详细讨论了 GAN 在医学图像分析中的应用，强调了其用于数据模拟和标注数据稀缺性方面的潜在优势，并讨论了未来的研究方向。

    Sep, 2018

  • 医疗影像生成对抗网络：综述

    本文综述了在医学图像方面使用对抗性训练方案的最新进展，这种方法利用生成对抗网络，能够在不显式建模概率密度函数的情况下生成数据，具有域自适应、数据增强和图像处理等优点。

    Sep, 2018

  • 生成对抗网络的所有权保护

    提出了一种基于目标模型及其盗版模型共同特征的新型所有权保护方法，无需重新训练目标模型，能够有效抵御现有模型提取攻击和自适应攻击，并在实验中取得了最佳保护效果。

    Jun, 2023

  • 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

  • 纹理匹配 GAN 用于 CT 图像增强

    我们提出了一种纹理匹配生成对抗网络 (TMGAN)，它在增强 CT 图像的同时生成可以与目标纹理匹配的图像纹理，从而改善了图像质量并适用于临床应用。

    Dec, 2023