GAN在医学图像综述——Generative adversarial network in medical imaging: A review

最新推荐文章于 2024-10-12 22:38:18 发布
最新推荐文章于 2024-10-12 22:38:18 发布
阅读量6.6k 收藏 69
点赞数 7
分类专栏： 深度学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_42079689/article/details/103616263
版权
本文综述了GAN在医学图像领域的应用，重点在图像合成、重建和分割任务，尤其是在跨模态图像合成方面的进展。GAN解决了数据缺乏和隐私问题，常用于图像到图像转换，有助于改善临床诊断和研究。
摘要由CSDN通过智能技术生成

Generative adversarial network in medical imaging: A review


   这篇文章发表于顶刊Medical Imaging Analysis 2019上，文章细数了GAN应用于医学图像的七大领域——重建（图像去噪）、合成、分割、分类、检测、配准和其他工作，并介绍了包括医学图像数据集、度量指标等内容，并对未来工作做出展望。由于笔者研究方向之故，本博客暂时只关注重建、合成部分的应用。关于该论文中所有列出的文章，均可在 GitHub链接中找到。

介绍

  本文统计的截止时间是2019年1月1日之前，统计的论文数据图表如下所示：
在这里插入图片描述
  图（a）展示了统计的论文中各应用所占的比例，可以看到合成应用占了46%，合成、重建、分割任务占了绝大多数。图（b）展示了统计的论文中所处理的图像模态比例，可看到MR、CT遥遥领先，PET占据的非常少。图（c）展示了应用论文增长的数量，可以看出GAN应用于医学图像的趋势越来越强烈。
  自2017年起，GAN在医学图像领域的应用大幅上升。其中，图像合成，特别是跨模态合成已经成为了GAN最重要的应用。MR则是最常用的图像。
  由于图像到图像转换框架的

最低0.47元/天 解锁文章
风雪夜归人o
关注
专栏目录
GAN在医学图像生成中的应用
juluwangriyue的博客
11-16 5660
GAN在医学图像生成中的应用1、重建2、合成 GAN框架由生成器(G)、鉴别器(D)以及真实数据X的训练数据集组成。G生成器,是一个多层网络参数θG,旨在找到一种映射x = G(z,θG)。通过映射,G生成假数据。另一方面,鉴别器D(x;θD)旨在把假样本和真实数据区分开来。 min⁡Gmax⁡DV(D,G)=Ex∼pdata(x)[log(D(x))]+Ez∼pz(z)[1−log(D(G(z)))](1) \min_{G} \max_{D}V(D,G)=\mathbb{E}_{x\sim p_{dat
3DStyleGAN：用于医学图像的3D StyleGAN2
02-08
用于医学图像的3D StyleGAN2 有关如何安装和运行它的信息，请参见官方仓库： : 当前问题 2021年2月4日 128 ^ 3内存耗尽错误 当前的培训模块 64 ^ 3-00159：D-resnet，logistic，G-orig，logistic_ns_pathreg -00161：D-resnet，wgan，G-orig，logistic_ns_pathreg -00166：D-resnet，后勤，G-跳过，lostic_ns_pathreg 2021年2月2日 D_logistic_r1仍然存在分段错误错误。 D_logistic_r2可能具有相同的错误，现在（在2月3日上午10:12）在群集中将其检出。 所有（经过测试的）G损失函数都可以正常工作（现在正在集群中测试G_wgan）。 所有（经过测试的）架构都可以正常工作（G_orig，G_skip，D_res
生成式专题的第四节课--CycleGAN
最新发布
m0_62110645的博客
10-12 1002
CycleGAN（Cycle-Consistent Generative Adversarial Network，循环生成对抗网络）是一种用于无监督图像转换的深度学习模型，即一种用于图像到图像转换任务的生成对抗网络（GAN）的变体，它可以在没有成对训练样本的情况下将一种风格的图像转换成另一种风格。例如，在卫星图像的超分辨率重建任务中，可以使用成对的低分辨率和高分辨率卫星图像进行训练，以提高图像的清晰度和细节。例如，在图像修复任务中，可以准确地填充图像中的缺失部分，使修复后的图像与周围的内容无缝融合。
[Style Transfer]Generative Adversarial Network in Medical Imaging: A Review
qq_37151108的博客
08-06 4628
Generative Adversarial Network in Medical Imaging: A Review 医学图像中生成对抗网络的研究进展-综述 Abstract 得益于生成对抗网络可以隐式的完成数据分布的建模，因此在计算机视觉下的众多任务中大放异彩。生成器会生成大量样本，判别器会对大量未标注的样本进行类别预测，因此GAN已在域迁移、分割任务、分类任务、跨模态合成等领域做了诸多探索。因此，本文对生成对抗网络在医学图像领域的相关研究进展进行综述，旨在对本领域有兴趣的研究者提供一些便利、思路等。
关于GANs在医学图像领域的应用
weixin_40920183的博客
09-30 1928
IntroductionGoodfellow等人引入了生成对抗网络(GANs)来模拟数据分布。GANs能合成真实图像，其原因与两个基本属性有关。GANs是一种无监督的训练方法，可以通过...
【1】GAN在医学图像上的生成，今如何？
idol24的博客
12-02 3040
最初，GAN在被提出时，是一个无监督（无条件）的生成框架：例如在图像合成中，将随机噪声映射到逼真的目标图像。后来CGAN即条件GAN，输入加入了标签（或者图像特征）等先验信息而不是仅靠噪...
GAN综述及其在图像生成领域的应用（含原理、代码详解）
热门推荐
蓝鲸鱼的博客
03-02 1万+
首先我们用一句话来概括下原始GAN。原始GAN由两个有机中整体构成——生成器 [公式] 和判别器 [公式] ，生成器的目的就是将随机输入的高斯噪声映射成图像（“假图”），判别器则是判断输入图像是否来自生成器的概率，即判断输入图像是否为假图的概率。 GAN的训练也与CNN大不相同，CNN是定义好特定的损失函数，然后利用梯度下降及其改进算法进行优化参数，尽可能用局部最优解去逼近全局最优解。但是GAN的训练是个动态的过程，是生成器 [公式] 与判别器 [公式] 两者之间的相互博弈过程。通俗点讲，GAN的目的就..
A Review on Generative Adversarial Networks: Algorithms, Theory, and Applications_简单总结
m0_37569924的博客
03-10 1767
SR_简单总结 ① GANrecursive networkResidual networkCNNAUTO ENCODERELSE SR_简单总结 ① ) GAN GANISRGAN: Improved Super-Resolution Using Generative Adversarial Networks （CVC) G-GANISR: Gradual generative adversa...
Image Translation for Medical Image Generation Ischemic Stroke Lesion Segmentation——论文翻译
Momoko_W的博客
11-25 6806
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
"Deep Facial Expression Recognition: A Survey"论文笔记
Nefelibata_eve的博客
12-24 2601
introduction FER systems can be divided into two main categories according to the feature representations: static image FER and dynamic sequence FER.（时空信息） The majority of the traditional methods h...
CVPR 2021最全论文开放下载！附pdf下载链接！
中科院AI算法工程师的博客
06-18 1万+
CVPR 2021最全论文开放，附所有pdf下载链接！
GAN在医学图像处理中的应用
weixin_43371569的博客
06-04 2370
https://www.jianshu.com/p/5fe7f769a3ad
GAN中G同时生成两张图之GAN for Medical Imaging: Generating Images and Annotations
风一样的自由，色彩斑斓的雨季
02-22 809
原文链接：GAN for Medical Imaging: Generating Images and Annotations （需要翻墙） 在这篇文章中，我们将展示一种使用生成对抗网络(GANs)同时生成医学图像和相应注释的方法。我们使用心脏MR图像进行实验。对于模型开发，我们使用Keras和theano后端。 介绍： 器官的自动检测和分割在医学成像应用中有着巨大的作用。例如在心脏分析中，...
图像生成领域的GAN论文解读
qq_42079689的博客
11-12 2621
图像生成领域的GANQuality Aware Generative Adversarial Networks（QAGAN），NeurIPS 2019 Quality Aware Generative Adversarial Networks（QAGAN），NeurIPS 2019   尽管已有许多的方法试图提升GAN生成结果的视觉质量，然而，尚未有应用图像质量指标作为GAN的损失函数或是权重正则...
半监督医学影像分割综述
qq_45745941的博客
03-07 2675
分为五类:对抗性方法、一致性正则化、伪标记、对比学习和混合方法使用该领域最常见的两个数据集:PASCAL VOC 2012和Cityscapes10种方法组成，本文认为属于相互训练的方法(即DMT)是性能最好的方法反思了目前半监督分割的挑战和潜在的未来研究方向，强调了实验和评估框架标准化的必要性，在图像不受控制且类之间具有丰富语义依赖的情况下使用现实基准的方便性，以及最近应用于CV的新技术视觉变压器在半监督场景中的潜在应用区，不同的实现或基本模型的版本具有改进潜力的方法群。
论文笔记（综述）——Image fusion meets deep learning: A survey and perspective
浅若清风cyf的博客
12-01 6967
文章目录摘要引言 摘要 图像融合：指从不同的源图像中提取并组合最有意义的信息，其目的是生成一幅信息量更大、有利于后续应用的图像。 深度学习在图像融合中的应用：神经网络的强大特征提取和重建能力使得融合结果有前景。（如：生成对抗网络，自动编码器） 本文要点： ① 介绍了图像融合的概念，并从采用的深层架构和融合场景的角度对图像融合方法进行分类。 ② 回顾了深度学习在各种图像融合场景中的应用，包括数字摄影图像融合、多模态图像融合和锐化融合。 ③ 对特定融合任务中的一些代表性方法进行了定性和定量评估。 ④ 介绍了
【StyleGAN补充材料】 A Style-Based Generator Architecture for Generative Adversarial Networks
zik的博客
08-05 419
【Paper】> PyTorch版【Code】> 官方TensorFlow版【Code】补充材料见StyleGAN正文精读在【StyleGAN论文精读CVPR_2019】A Style-Based Generator Architecture for Generative Adversarial Networks。
基于深度学习的医学图像融合(Medical image fusion)论文及代码整理
fovever_的博客
05-01 9248
基于深度学习的医学图像融合(Medical image fusion)论文及代码整理。主要将已有的基于深度学习的医学图像融合算法归类为基于卷积神经网络的医学图像融合框架和基于生成对抗网络的医学图像融合框架。
【每周CV论文推荐】GAN在医学图像生成与增强中的典型应用
hacker_long的专栏
09-29 2695
欢迎来到《每周CV论文推荐》。在这个专栏里，还是本着有三AI一贯的原则，专注于让大家能够系统性完成学习，所以我们推荐的文章也必定是同一主题的。生成对抗网络是一项非常基础的技术，医学图像则是一个非常重要的应用方向，当前GAN在医学图像中陆续也有了一些比较重要的应用，本次我们来简单给大家推荐一些图像生成的工作。作者&编辑 | 言有三1 基础数据仿真GAN医学图像领域数据获取和标注成本非常高昂，...
评论 4
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值