Sep, 2024

增强犬类肌肉骨骼诊断：利用合成图像数据为视觉文档预训练AI模型

HTML
PDF
TL;DR本研究解决了在犬类医学实践中肌肉骨骼系统检查缺乏训练数据的问题。通过提出一种生成合成图像数据的方法，模拟真实疾病的视觉文档，从而支持AI模型的预训练。研究表明，在处理少量视觉文档示例时，使用合成数据可以显著提高诊断准确性，提供了超越犬类肌肉骨骼评估领域的应用潜力。
发现论文，激发创造
  • MURA：肌骨骼放射图异常检测的大型数据集

    介绍了MURA，这是一个包含40,561张骨骼肌肉系统放射线图像的大型数据集，通过研究这些图像的标注，训练了一个169层DenseNet模型以检测和定位异常。该模型的性能可与最佳放射科医生的性能相媲美，并提供了有关放射科医生的标准来比较模型表现。

    Dec, 2017

  • 学习自合成动物

    使用合成图像和CAD动物模型生成的真值，使用提出的一种新颖的一致性约束半监督学习方法进行高度可变形的动物关键点预测。

    Dec, 2019

  • 从RGBD传感器预测犬类姿态的RGBD-Dog

    本文提出了一种基于RGBD图像的3D犬姿态估计方法，利用运动捕捉系统录制大量犬只的运动并生成数据集，使用堆叠沙漏网络进行3D关节点定位并结合形态和姿态的先验模型。我们在合成和实际RGBD图像上评估了模型，并将结果与以前发表的相关工作进行了比较。

    Apr, 2020

  • 评估可解释机器学习的Two4Two合成数据集用于控制实验

    本文提出了一种生成用于图像分类解释的合成图像数据的方法，该方法经过用户研究验证，可以降低进行人体实验的难度，并有助于研究解释可解释机器学习的更多内容。

    May, 2021

  • DynaDog+T: 用于合成犬类图像生成的参数化动物模型

    该研究提出了一个参数化犬模型DynaDog+T，用于生成合成犬类图像和数据，并将其用于基于计算机视觉的二进制分割任务，以解决数据缺乏的问题。

    Jul, 2021

  • 利用模拟校准兽医医学实际数据采集

    使用仿真环境进行数据采集和诊断的创新性研究，特别关注于犬只的步态分析。该研究利用Blender和Blenderproc库生成反映不同解剖学、环境和行为条件的合成数据集。通过图形表示和标准化以实现最佳分析，利用生成的数据集来训练机器学习算法以识别正常和异常的步态。创建了两个具有不同相机角度粒度的不同数据集，以进一步研究相机视角对模型准确性的影响。初步结果表明，这种基于仿真的方法有望通过实现更精确的数据采集和更有效的机器学习模型来推动兽医诊断的发展。通过整合合成和现实世界的患者数据，该研究为提高兽医医学的整体效果和效率奠定了坚实的基础。

    Jul, 2023

  • 利用潜在扩散模型的合成数据增强医疗图像分类器

    利用潜在扩散模型生成皮肤病图像的研究表明，通过合成数据训练模型可以在数据有限的情况下提高性能，但合成数据与真实数据相比仍然有较小的性能增益，因此收集多样的真实数据仍是提升医疗人工智能算法的重要步骤。

    Aug, 2023

  • 利用合成数据进行医学视觉-语言预训练：绕开真实图像的需求

    利用合成图像从真实医学报告中生成的医学影像，可以有效地实现医学视觉与语言预训练(VLP)，并且在图像分类、语义分割和目标检测等任务上，利用合成数据的性能与真实数据相当甚至超过。

    Oct, 2023

  • 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

    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。

    Mar, 2024

  • 多种医学模态下的合成数据生成人工智能：最新发展及挑战的系统综述

    本研究综述了生成模型在合成各种医学数据类型方面的广泛应用，探索了合成应用、生成技术和评估方法等方面的见解，强调了医学数据的唯一性和临床应用的需求。同时，研究也揭示了医学图像评估方法的不足之处，呼吁进行深入评估、基准测试和比较研究以促进开放和合作。

    Jun, 2024