用于小麦穗分割样本合成的改进 CycleGAN

Feb, 2024

用于小麦穗分割样本合成的改进 CycleGAN

Modified CycleGAN for the synthesization of samples for wheat head segmentation

Jaden Myers, Keyhan Najafian, Farhad Maleki, Katie Ovens

TL;DR使用深度学习模型结合生成对抗网络填补模拟数据与真实数据之间的差距，开发了逼真的、用于小麦苞片分割的合成数据集，并利用该数据集训练深度学习模型，取得了高达 83.4% 的 Dice 分数在内部数据集以及 79.6% 和 83.6% 的 Dice 分数在两个外部全局小麦苞头检测数据集上。该方法不仅适用于小麦苞片分割，还可以推广到其他作物类型或者具有重复、密集模式的图像，例如细胞成像。

Abstract

deep learning models have been used for a variety of image processing tasks. However, most of these models are developed through supervised learning approaches, which rely heavily on the availability of large-scale annotated datasets. Developing such datasets is tedious and expensive.

deep learning models supervised learning approaches synthetic data generative adversarial network wheat head segmentation

发现论文，激发创造

半自监督域适应：利用有限标注数据开发小麦穗分割的深度学习模型

利用深度学习方法，通过半自我监督域适应技术在精确农业领域实现农作物图像的自动化标注，以及在不同环境条件下适应性强的解决方案，以推动先进技术在农业领域的广泛应用。

May, 2024

使用合成磁共振图像的脑肿瘤分割 ——GAN 和扩散模型的比较

本文研究了利用生成模型如 GANs 构建的合成影像，其在大脑肿瘤分割任务上与真实影像训练的性能差异，发现实验结果在一定数据量下合成影像可以很好地训练神经网络，而常用的评估合成影像的指标无法很好地预测其在特定任务上的性能。

Jun, 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

远程感知图像中的数据增强和适应的条件生成对抗网络

使用 GAN 将给定的标记遥感图像拓展成更大的数据集并评测其对于物体检测任务的性能提升。

Aug, 2019

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

从改进的层次 GAN 中学习前景 - 背景分割

提出了一种自动合成图像和分割掩模的方法，利用生成式对抗网络学习将图像分解成前景和背景层，生成高质量数据集并用于训练前景 - 背景分割网络，同时使用前景背景分割网络稳定分层 GAN 的训练。实验证明其生成质量和分割性能与相关方法相似。

Apr, 2021

对抗生成学习实现无需目标模态基本事实的分割

本研究提出了一种新的端到端的合成和分割神经网络（EssNet），可以在不使用 CT 手动标签的情况下同时完成未配对的 MRI 到 CT 图像合成和 CT 脾肿大分割，相比于使用合成图像独立训练分割网络的两阶段方法（0.8801），以及使用 CT 手动标签的规范多张分割方法（0.9125）和 ResNet 方法（0.9107），EssNet 取得了显著更高的中位数 Dice 相似系数（0.9188）。

Dec, 2017

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

基于 DatasetGAN 的医学影像应用：初步研究

利用现代生成对抗网络训练的 DatasetGAN 可以高质量合成带分割信息的图像，本研究探索 DatasetGAN 在医学成像中的应用，并就其独特特征提出三项优化建议，进而使用合成数据集训练了一个预定义的图像分割技术。结果表明 DatasetGAN 的效果显著且具有潜在用途。

Feb, 2022

SkullGAN: 使用生成对抗网络合成颅骨 CT 图像

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