Apr, 2024

无超参数的医学图像合成用于数据共享和提高特定站点分割

PDF
TL;DR通过 Hyperparameter-Free 分布式学习方法 HyFree-S3 实现的自动医学图像合成、共享和分割可以提高患者隐私和数据安全，并在多种分割设置中（盆腔 MRI、肺部 X 射线、息肉照片）表现出更好的性能，无需手动调整现有的医学图像合成方法。
synthetic medical imagespatient privacydata securityhyperparameter-free distributed learningmedical image synthesis
发现论文，激发创造
  • 生成增强三维医学影像

    GEM-3D 是一种基于条件扩散模型的新型生成方法，通过将 3D 医学图像分解为掩模和患者信息，从现有数据集中生成不同变化的高质量 3D 医学图像，实现了数据集的增强。

    Mar, 2024

  • FreeTumor: 大规模肿瘤合成的先进肿瘤分割

    AI 驱动的肿瘤分析通过引入节省肿瘤收集和注释成本的高效解决方案（FreeTumor）取得了显著进展，通过对大规模数据进行综合训练和扩展数据集，在肿瘤分割方面展现出了优越性能。

    Jun, 2024

  • 使用已学习变换的数据增强技术进行一次性医学影像分割

    该研究提出了一种自动化数据增强方法，用于合成标记的医学图像，该方法可用于磁共振成像（MRI）的脑部扫描分割任务。该方法利用半监督方法，从未标注的扫描中学习图像变换模型，并使用标记示例合成其他标记示例。实验证明使用这些新示例进行监督分段器训练相比目前的一次性生物医学图像分割方法，有明显的改进。

    Feb, 2019

  • 合성医学影像的质量如何？肺部超声的实证研究

    通过使用生成模型中的合成训练数据，本研究提出了一个全面框架，以提高医学图像分析的模型开发效果，同时解决数据稀缺、数据不平衡和患者隐私问题。通过在各种规模的数据集上进行测试，我们展示了生成模型作为数据增广方法的优势，以及通过敌对方法保护患者隐私以及使用实际留存数据进行模型测试的新型性能指标。我们证明了使用合成数据和真实数据进行训练优于仅使用真实数据进行训练，并且仅使用合成数据进行训练的模型接近仅使用真实数据进行训练的模型。

    Oct, 2023

  • FreeMask: 密集标注的合成图像增强分割模型

    使用合成图像来缓解数据收集和标注流程的负担，该方法通过基于真实数据集提供的语义掩码合成丰富的训练图像，通过与合成图像的训练，可以达到与真实图像相当的性能。

    Oct, 2023

  • 不共享病人数据的多机构深度学习建模：基于脑肿瘤分割的可行性研究

    本研究介绍了第一个使用联邦学习实现多机构协作、不共享患者数据的深度学习模型，结果表明它在多模态脑扫描的分割方面的性能与共享数据的训练模型相似，在与另外两种合作学习方法的比较中也取得了最佳结果。

    Oct, 2018

  • M3Dsynth：具有 AI 生成的局部操作的医疗 3D 图像数据集

    研究了医学图像中操纵内容的侦测问题，提出了一个大型数据集 M3Dsynth，并展示了该数据集对于训练侦测器在各种情况下具有良好的泛化能力。

    Sep, 2023

  • 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

  • 稳健的笔画分割的综合数据

    深度学习在神经影像学中的语义分割目前需要高分辨率扫描和大型标注数据集，给临床适用性带来了显著障碍。本文提出了一种新颖的合成框架，用于病灶分割任务，扩展了现有的 SynthSeg 方法的能力，以适应具有大型异质病理的病灶特定增强策略。我们的方法使用从健康和中风数据集导出的标签图来训练深度学习模型，在没有特定序列训练数据的情况下，实现了对健康组织和病理病变的分割。在领域内和领域外（OOD）数据集的评估中，我们的框架展示出稳定的性能，在培训领域内与当前方法相媲美，在 OOD 数据上明显优于它们。这一贡献有望推动临床环境中医学影像分析的进展，特别是针对中风病理学，通过在不同的成像序列上实现可靠的分割，减少对大型标注数据的依赖。代码和权重可在此网址获得: https://URL

    Apr, 2024

  • 基于切片隐式扩散模型的 3D MRI 合成：改善数据稀缺情况下肿瘤分割任务

    利用切片扩散架构，从医学图像生成融合体数据和对应掩膜，以解决医学图像分割中数据获取不足的问题，并考虑肿瘤特征进行生成，通过对 BRATS2022 数据集的实验证明生成数据对数据增强的有效性。

    Jun, 2024