一.CT-Realistic Lung Nodule Simulation from 3D Conditional Generative Adversarial Networks for Robust Lung Segmentation(2018)
摘要:
在这项工作中,调查了用人工生成的肺结节扩大数据集是否可以提高渐进性整体巢式网络(P-HNN)模型对CT扫描的病理性分割的稳健性。为了实现实现这个目标,开发了一个3D生成网络,可以在3D空间有效地学习肺结节的空间分布。
介绍:
在这项工作中,我们开发使用CGAN对于特定的任务进行数据增强。对于这个工作,我们关注病例性肺结节的分割,最近的P-HNN已经显示了最新的成果。
主要贡献:1.使用3D GAN在肺血管周围制定肺结节的生成;2.设计了一种新的多掩模重建损失,以生成减轻边界不连续暗影的高质量逼真的结节;3.提供了一种可行的方法来克服困难,以获取医学图像中“边缘病例”的数据;4.证明GAN合成的数据可以改善判别模型的训练,在这种情况下,可以使用P-HNN分割病例肺部。
方法:
结果:
**结论:**本文中的方法可以很好的解决医学图像中数据不充足的问题,解决数据集瓶颈。
二.iW-Net: an automatic and minimalistic interactive lung nodule segmentation deep network(2018)
摘要:
本文提出了一种深度学习模型–iW-Net,可以在CT图像中队肺结节进行自动和交互式分割。iW-Net有两个模块组成:第一个模块提供自动分割,第二个模块通过分析用户在结节边界内引入的两个点来进行校正。为此,提出了一种考虑到用户输入的受物理启发的权重图,该权重图既可以用作特征图,也可以用作系统的损失函数。
方法:
结果:
总结:
今天的两篇paper都是关于肺结节的分割,解决的都是医学图像数据不充足的问题,其中iW-Net网络模型提出了一种权重图的方式,值得仔细研读!