Jun, 2024

基于遗传算法的生成对抗网络损失函数及其在医学应用中的重点研究

PDF
TL;DRGANetic loss 通过优化问题解决了 GAN 中的有效损失函数设计，成功提升了生成模型的稳定性和性能，并在图像生成和异常检测等应用中表现出色。
generative adversarial networksloss function designimage generationanomaly detectionganetic loss
发现论文，激发创造
  • 医疗影像生成对抗网络：综述

    本文综述了在医学图像方面使用对抗性训练方案的最新进展，这种方法利用生成对抗网络，能够在不显式建模概率密度函数的情况下生成数据，具有域自适应、数据增强和图像处理等优点。

    Sep, 2018

  • 医学图像分析中的 GANs

    该综述性论文详细讨论了 GAN 在医学图像分析中的应用，强调了其用于数据模拟和标注数据稀缺性方面的潜在优势，并讨论了未来的研究方向。

    Sep, 2018

  • 基于遗传算法的医学图像生成的生成模型

    医学成像是诊断和治疗疾病的重要工具，缺乏医学图像可能导致不准确的诊断和无效的治疗。生成模型通过从现有数据集中生成新数据并检测其中的异常来解决医学图像短缺问题。本文提出了 GAN-GA，一种通过嵌入遗传算法进行优化的生成模型。该模型在保留独特特征的同时提高了图像的保真度和多样性。该方法改进了医学图像的质量和保真度，是图像解释的重要方面。通过使用 Frechet Inception Distance（FID）来评估合成图像，将 GAN-GA 模型应用于生成急性淋巴细胞白血病（ALL）医学图像。实验结果表明，所提出的优化 GAN-GA 在 FID 得分上提高了约 6.8％，特别是在前期训练阶段。源代码和数据集可在此 URL 找到。

    Dec, 2023

  • 进化生成式对抗网络

    本文提出了一种新的 GAN 框架，名为进化生成对抗网络 (E-GAN)，该框架使用不同的对抗训练目标作为突变操作，通过进化一群生成器来适应环境 (判别器) 以实现稳定的 GAN 训练和改进的生成能力，并利用评估机制来衡量生成样本的质量和多样性，从而始终保留最佳基因用于进一步的训练，从而提高了 GAN 的整体训练效果和生成性能。

    Mar, 2018

  • 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

  • 生成对抗网络概述

    本文概述了生成对抗网络在信号处理中的应用，讨论了 GANs 的训练方法和构建策略以及它们在 deep representations 学习中的表现和存在的挑战。

    Oct, 2017

  • 生成对抗网络：超越散度最小化

    本研究讨论了与 G（生成器）相关的大多数损失函数的属性，表明这些损失函数并不是发散的，并且不具有发散的期望平衡。研究结果显示， GANs 不符合发散最小化理论，并且形成了比先前假设的模型更广泛的模型范围。

    Sep, 2018

  • 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

  • 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

  • 隐式生成模型中的学习

    本文介绍了生成对抗网络（GANs）的算法框架，将其与隐式生成模型的学习算法相联系，提出了基于密度比估计的方法并借此引导观察者更深层次地思考生成模型。

    Oct, 2016