用于从噪声数据转化医学图像的环境 - Pix2PixGAN
本文提出了一种名为 MedGAN 的新框架,利用对抗生成网络(GANs)的方法对医学影像进行图像翻译,以此来实现 PET-CT 图像转换,矫正磁共振运动伪影和 PET 图像去噪等不同任务,感知分析和定量评估结果表明,MedGAN 比其他现有的翻译方法表现更优秀。
Jun, 2018
使用任务为基础的图像质量(IQ)评估方法,结合随机物体模型、生成对抗网络和噪声测量数据,本文提出了一种名为 AmbientCycleGAN 的新型方法,能够稳定地建立医学图像中的随机物体模型,并能控制合成物体的图像特征。
Feb, 2024
该研究论文探讨了将 Pix2Pix 框架应用于抽象地图图像转换为逼真地面实际图像的一种新方法,解决了这些图像在城市规划和自主驾驶训练等领域关键缺失的问题。研究详细介绍了 Pix2Pix 模型的应用,通过一组配对的地图和航拍图像数据集进行高保真度数据的生成,并且通过定制训练方案进行增强。结果展示了该模型在准确渲染复杂城市特征方面的能力,为广泛的实际应用提供了潜力。
Apr, 2024
本文提出了一种基于不确定性引导的逐渐学习方案,通过将不确定性作为逐步训练的 GAN 的注意力图,逐步生成逼真的图像,并将其应用于 PET 到 CT 转换、MRI 重构和运动伪影校正等三个医学图像翻译任务中,实现了良好的性能提升。
Jun, 2021
本篇论文提出一种新的无监督模式 RegGAN,使用 loss-correction 理论解决 medical image-to-image translation 中图像对齐问题,对于包括医学影像在内的广泛场景中无须像素精确对齐的图像,RegGAN 表现比 Pix2Pix 和 Cycle-consistency 更好。
Oct, 2021
通过将噪声图像和图像到图像对抗生成网络相结合,提出了一种新的数据增强方法,能够增强磁共振样本的真实性和多样性,经过 CNN 的肿瘤检测结果表明,该方法可以显著提高经典数据增强技术的敏感度和同时对其他医学影像任务有显著提升。
May, 2019
该研究提出了使用 CycleGAN 模型将神经图像从一种场强转化为另一种的方法,并将其与基于 DCGAN 结构的模型进行了比较,结果表明 CycleGAN 能够以较高的准确度生成合成和重构图像。
Dec, 2023
本文提出了基于 U-net 的条件生成对抗网络 (简称 Npix2Cpix),用于将嘈杂的历史水印图像转换为只包含水印且无手写的清晰图像,并使用 Siamese-based 的一次性学习对水印进行分类,实验结果表明这一方法能够提高水印的分类准确性。
Jun, 2024
本文提出了一种基于 GAN 的框架,其中 (i) 模型自适应损失函数以提高模型对 OOD - 噪声数据的鲁棒性,(ii) 对预测的每个体素的不确定性进行了估计,在医学成像领域表现出优异的性能。
Oct, 2021