Mar, 2024

应用变分自动编码器进行放射学数据生成的生成式主动学习在兽医学中的应用

PDF
TL;DR利用变分自编码器提出的生成式主动学习框架解决兽医医学中计算机辅助诊断系统面临的数据缺乏挑战。通过生成数据的添加和训练模型的改进，该方法显著减少了放射照片中的 Frechet Inception 距离和混淆矩阵的假阳性，从而为医学 CAD 的进步做出了贡献。
computer-aided diagnosisveterinary medicinegenerative active learningvariational autoencoderdata scarcity
发现论文，激发创造
  • 现实世界中的深度生成模型：医学图像的开放挑战

    本文探讨使用最新的基于自动编码器的深度生成模型，例如变分自动编码器和对抗性自动编码器，在医学成像中运用于异常检测一项任务。结果表明，深度生成模型在异常检测方面存在挑战，但可以提供给研究人员一个方便的医学成像数据集。

    Jun, 2018

  • 基于多视图影像融合和医学概念增强的自动放射学报告生成

    提出了一种基于深度学习技术的生成式编码解码模型，通过对大量胸部 X 光图像进行预先训练并提取医疗概念，结合词级别的注意力机制，成功生成精准较为自然的放射学报告。

    Jul, 2019

  • 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

  • 基于生成模型的合成训练图像生成：铁路缺陷检测中认知的一种方法

    该研究提出了一种基于 Variational Autoencoder (VAE) 的合成图像生成技术，用于铁路缺陷，通过引入权重衰减正则化和图像重构损失来防止过拟合。使用该合成数据集进行微调的 Visual Transformer (ViT) 模型在铁路缺陷分类中取得了高准确率（98%-99%），为解决铁路缺陷检测中的数据稀缺挑战提供了有希望的解决方案，展示了该领域鲁棒智能认知系统发展的潜力。

    Dec, 2023

  • 用于肺部病变特征探索和恶性预测的变分自编码器

    应用生成型 AI 模型 VAEs 对肺癌病灶进行研究，通过聚类分析和 MLP 分类器模型，在肺癌诊断方面取得了 AUC 0.98 和 93.1% 的准确度，同时探索标准高斯 VAE 和较新的狄利克雷 VAE 的比较分析，最后展示了潜在空间遍历在临床上具有潜在的特征变化。

    Nov, 2023

  • 使用变分自动编码器进行无监督异常定位

    提出了一种基于深度学习和变分自动编码器的医学图像寻找异常度量的解决方案，其中尤其强调了基于 Kullback-Leibler (KL) 分歧的异常定位算法，实验证明它具有比现有方法更好的性能。

    Jul, 2019

  • 基于生成对抗网络的合成学习和用于脊柱放射线图像域的新型损失项

    使用生成对抗网络合成异常脊柱放射图像，通过临床分类任务证明了合成数据的实用性和有效性，并且引入临床损失项可以提高生成准确度和加速模型训练；对于中小型医学数据集，微分隐私实现会严重妨碍 GAN 的训练。

    May, 2022

  • 生成对抗网络三维骨骼图像合成

    利用三维生成对抗网络（GANs）能够高效地生成高分辨率的医学体积，实现模型可解释性和应用，包括图像变形、属性编辑和样式混合，并在三维 HR-pQCT 示例数据库上进行了广泛验证。

    Oct, 2023

  • 使用生成模型生成胸部 X 射线数据的可行性评估

    使用生成模型（特别是 PG-GANs 和 Stable Diffusion fine-tuning）生成合成胸部 X 射线图像进行医学诊断的可能性的探索。使用 Chest X-ray 14 数据集进行实验，并通过定性和定量分析评估我们的模型的性能，结果表明生成的图像具有可信度，可以用于提高分类模型的准确性。

    May, 2023

  • 医学图像及相应分割掩膜的端到端自编码架构

    基于 Hamiltonian 变分自编码器（HVAE），提出了一种解决医学图像分割中训练数据不足挑战的端到端架构，通过改进传统变分自编码器（VAE）的后验分布近似，提高图像生成质量，在数据稀缺条件下优于生成对抗架构，实现了图像质量的优化和准确的肿瘤掩膜合成。在 MICCAI 的 Brain Tumor Segmentation Challenge（BRATS）和 Head and Neck Tumor Segmentation Challenge（HECKTOR）两个公开数据集上进行了实验，证明了我们方法在不同的医学成像模态上的有效性。

    Nov, 2023