Jan, 2024

GAN-based 增强深度学习 COVID-19 图像分类的进一步探索

PDF
TL;DR基于 GANS 的数据增强方法在中等和大型数据集的情况下与传统增强方法相当，但在较小的数据集的情况下表现不佳。无论采用何种增强方法，原始数据集的大小与分类质量之间存在相关性。
data augmentationdeep learninggenerative adversarial networks (gan)covid-19 chest x-ray imagesclassification
发现论文，激发创造
  • 基于 GAN 的增强对深度学习 COVID-19 图像分类性能的影响

    该研究使用 StyleGAN2-ADA 和传统图像变换等方法对 COVID-19 胸部 X 射线图像进行了数据扩充，并进行了多类别分类问题的研究，结果表明以传统图像变换为基础的数据扩充方法更加适合该数据集。

    Apr, 2023

  • 基于 GAN 的胸部 X 光分类数据增强

    本文探讨了在医疗领域电脑视觉技术中普遍存在的数据样本数量不足和分类失衡的问题，并通过使用生成对抗网络技术来增强数据集以改善网络性能，结果表明这种方法适用于低数据的情况，是值得进一步研究的领域。

    Jul, 2021

  • CovidGAN: 使用辅助分类器 GAN 进行数据增强，以提高 Covid-19 检测能力

    本研究提出一种生成辅助分类器生成式对抗网络（ACGAN）的方法，用于生成合成胸部 X 射线图像来提高 COVID-19 检测的准确性，证明这些合成图片能够增强卷积神经网络（CNN）的性能，将其准确率从 85％提高到 95％。

    Mar, 2021

  • 利用 GAN 应对 COVID-19 数据稀缺：超越炒作

    本研究分析了 43 项 GAN 生成合成数据的研究的发表情况，并发现存在数据偏见、缺乏可复现性、缺乏来自放射学家或其他领域专家的反馈等问题。最后，提出了建议以指导未来的研究。

    Apr, 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

  • 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

  • 医学影像数据增强的深度学习方法综述

    深度生成模型在医学图像增强中的应用和潜力是本综述的重点，旨在通过人工合成更真实多样且符合数据真实分布的数据样本来改善医学图像分析中深度学习算法的性能，涵盖了三种类型的深度生成模型：变分自编码器、生成对抗网络和扩散模型。

    Jul, 2023

  • 基于条件补全 GAN 的乳腺 X 光分类数据增强

    使用生成对抗网络的合成数据，结合传统数据增强方法来提高乳腺癌分类的性能。

    Jul, 2018

  • 基于 GAN 的皮肤病变分析数据增广和匿名化：关键综述

    使用生成对抗网络进行皮肤病变分析的数据增强试验仅在分布不同的测试集上表现良好，在数据匿名化方面也只在分布不同的测试集上表现良好。因此，对于医学应用需要谨慎使用此技术。

    Apr, 2021

  • 贝叶斯数据增强方法用于深度模型学习

    提出了一种基于贝叶斯公式，利用广义蒙特卡洛期望最大化算法和生成对抗网络的方法，能更好地生成新的标注训练样本，并在 MNIST，CIFAR-10 和 CIFAR-100 的数据集中取得了优于现有数据增强方法和 GAN 模型的分类结果。

    Oct, 2017