医学图像处理
文章平均质量分 93
Momoko_W
这个作者很懒,什么都没留下…
展开
-
Image Translation for Medical Image Generation Ischemic Stroke Lesion Segmentation——论文翻译
摘要 基于深度学习的疾病检测和分割算法有望改善许多临床过程。然而,此类算法需要大量带注释的训练数据,而由于数据隐私、法律障碍和非统一的数据获取协议,这些数据通常在医疗环境中不可用。带有注释病理的合成数据库可以提供所需数量的训练数据。我们以缺血性中风为例证明,基于深度学习的增强技术在病灶分割方面的改进是可行的。为此,我们训练不同的图像到图像的翻译模型,从语义分割图合成有和没有脑卒中病灶的脑体素磁共振图像。此外,我们训练生成对抗网络,以生成合成病变mask。随后,我们结合这两个组件来构建一个大的合成卒中图原创 2021-11-25 16:05:48 · 4557 阅读 · 6 评论 -
论文翻译——Skin Lesion Synthesis with Generative Adversarial Networks
Abstract 皮肤癌是目前最常见的癌症类型。早期发现是显著增加成功治疗机会的关键。目前,深度神经网络是皮肤癌自动分类的最新成果。为了进一步推动结果,我们需要解决缺乏注释数据的问题,这是昂贵的,需要专家付出很多努力。为了绕过这个问题,我们提出使用生成对抗网络生成真实的合成皮肤损伤图像。据我们所知,我们的结果是第一个展示了视觉上吸引人的合成图像,其中包含有临床意义的信息。1 Introduction 黑素瘤是最危险的皮肤癌。它导致的死亡人数最多,约占美国所有皮肤癌的1%。治疗黑色素瘤的关键是翻译 2021-10-21 16:04:03 · 971 阅读 · 0 评论 -
Synthetic Medical Images from Dual Generative Adversarial Networks
Synthetic Medical Images from Dual Generative Adversarial NetworksAbstract 目前数据驱动型的方法进行医学图像的分类十分受追捧,但鉴于医学图像的稀缺性,有些图像的获取还涉及到病患隐私等问题使得医学图像更加难以获取。一般只允许将病患的数据用于医学期刊或教学中,也意味着无法为公共研究获取。本文则提出了一种新的两阶段流水线的模型用于合成医学图像,通过将复杂的图像生成任务按层次划分为两部分:几何结构和图像写实性,并成功在视网原创 2021-10-20 14:59:05 · 399 阅读 · 0 评论 -
Medical Image Synthesis for Data Augmentation and Anonymization
Medical Image Synthesis for Data Augmentation and Anonymization Using Generative Adversarial Networks摘要 在训练深度学习模型时,数据多样性是成功的关键。医学影像数据集通常是不平衡的,因为病理发现通常是稀少的,这在训练深度学习模型时带来了重大挑战。在这项工作中,我们提出了一种方法,通过使用两个公开可用的大脑MRI数据集训练生成对抗网络,来生成带有脑瘤的合成异常MRI图像。我们展示了合成图像提供的两个独原创 2021-01-20 17:25:25 · 1112 阅读 · 2 评论