【论文】X2CT-GAN

已于 2022-07-16 10:47:12 修改
阅读量1k 收藏 6
点赞数 1
分类专栏： 医学影像 文章标签： 计算机视觉 深度学习 人工智能
于 2021-11-03 10:35:12 首次发布

 X2CT-GAN ：Reconstructing CT from Biplanar X-Rays with Generative Adversarial Networks

论文  | 翻译 |

【走马观花】

CVPR2019论文集锦 | cpvr2019 | cvpr2019-论文/代码/项目/论文阅读 | cpvr-目标检测 2D/3D/显著性目标检测等 | 2019cpvr按方向划分 -★ | 2019CPVR 论文更新跟进√ | cpvr2019 | 目标检测 | 1 | 三大顶会十年 SinGAN:从单张图像学习生成模型|

cpvr2020图像分割论文 |

探讨可解释深度学习技术在医疗图像诊断中的应用 | DL在医学图像处理上的应用 | 医学图像处理 | 影像园-医学 | 颅脑CT和MR |

cvpr论文解读 | cv三大顶级会议ICE:ICCV/CVPR/ECCV | GAN-后面可以看一下除了cvpr其他两个有没有对这个内容的相关技术和发展介绍等 |

【来源|背景|意义】

腾讯优图实验室 |

腾讯58篇论文入选CVPR 2019，涵盖视觉对抗学习等方向 | 背景 同|

2D-X光图像重建3D-CT图像项目总结 |  

【专业名词/概念】

影像园-放射 | 什么是放射科 | 医疗设备 | 

【摘要】

计算机断层扫描Computed Tomography，CT |放射科辐射到底多大 | CT基础知识 | 

均方误差损失函数 | 最小二乘和MSE区别 | DL中MSE |

niche | 

【介绍】

CT Volume - CT容积扫描 | 体绘制（Volume Rendering）概述 | CT和MRI | 像素（Pixel）是构成图像的基本单位，即图像可被分解成的最小的独立信息单元。因为图像是二维的，所以像素也是没有“厚度”概念的，其最大特点就是一个二维的概念。体素（Voxel）是指像素所对应的体积单位，与像素不同点在于，体素是一个三维的概念，是有厚度差别的，图像所对应的层厚就是体素的“高度”。基本概念 | 

 PA前后视图 | Anterior and Posterior -相关医术词-示意图√| 图片检索目录 | PA flexed better than AP | 

DDR数字化成像 | DDR应用 √| DRR(Digitally Reconstructured Radiograph)-数字重建放射影像-pic | DR |3DCT重建 | DRR | 

跨模态 | 多模态融合 | 读论文 | 跨模态常见指标 | 文-基于dl的跨模态迁移学习研究 |

【3-目标函数】

GAN及LOSS函数详解 | GAN Loss | 李宏毅-GAN | GAN及Pytorch实现 | 李宏毅Conditional GAN | 

GAN系列-原理-√ |一文看懂GAN | 

GAN入门 | ★GAN做什么、损失函数、训练过程 -生成能以假乱真的高分辨率图像 |

对抗性损失 | GAN-minmax game | GAN介绍- | min maxV(D,G) | minmax | minmax | GAN框架 | GAN算法 | GAN+代码 |

LSGAN | LSGAN |

CT的axial/sagittal/coronal views | 人体各组织结构不同，对X线吸收程度各异，形成不同的CT值，因此可以利用CT值来鉴别组织的性质 |

 

【4-网络结构】

卷积(Convolution)填充(Padding)步长(Stride) |

PatchGAN | PatchGAN理解 |理解 |PatchGAN的理解 | 马尔可夫判别器 |

Epoch、Batch Size和迭代 | epoch、batch_size、interations |

归一化比较with图 | 批量归一化和实例归一化 |

DenseNet：Dense Block是DenseNet的核心、| DenseNet的一个核心就是在网络中使用了大量如图6.11所示的Dense Block，它是一种具有紧密连接性质的卷积神经网络，该神经网络中的任何两层都有直接连接，即网络中每一层的输入都是前面所有层输出的并集，而这一层学习到的特征也会被直接传递到后面的所有层作为输入。这种紧密连接仅仅存在于同一个Dense Block中，不同的Dense Block是没有这种紧密连接的。| 

5、实验

baseline model基准模型  | 记录baseline model | kaggle特征工程baseline | baseline检索目录 |

各向异性(anisotropic) | 各向同性(isotropic) |  

度量指标：图像质量评估指标SSIM/ PSNR/ MSE |SSIM  | SSIM和MSSIM | PSNR与SSIM | SSIM原理及python实现 | PNSR和SSIM | SSIM | SSIM | SSIM | 常用损失函数对比 | 原理★|图像融合评价指标 | 公式及python实现 | 全参考视频质量评价方法PNSRSSIM及数据库 | 解析PNSR和SSIM | SSIM及实现| 去噪效果评价算法SNR,PSNR,SSIM对比 | 对比 |论文笔记-损失函数之SSIM |

CT值(Hounsfield Unit) |

Ablation study -tag下其他文章 | 消融实验 | 删除模型/算法的某些功能并查看其如何影像性能->了解每个部分单独能发挥的作用~控制变量法 |

感想与拓展：

GALAXIS / GALILEOS Image Viewer | GALAXIS Viewer GALAXIS 是用于牙科诊所和诊所的软件，可用于准备颌面部区域的 3D 体积重建 |

우 유
关注
专栏目录
【图像去噪】论文精读：Multi-level Wavelet-CNN for Image Restoration（MWCNN）
畅游计算机视觉的海洋
08-27 1185
论文题目：Multi-level Wavelet-CNN for Image Restoration —— 用于图像恢复的多级小波CNNCVPR 2018！感受野大小和效率之间的权衡是低级视觉中的关键问题。普通卷积网络 (CNN) 通常以计算成本为代价来扩大感受野。最近，已经采用扩张过滤来解决这个问题。但它受到网格效应的影响，由此产生的感受野只是具有棋盘图案的输入图像的稀疏采样。在本文中，我们提出了一种新颖的多级小波 CNN (MWCNN) 模型，以更好地权衡感受野大小和计算效率。
GAN 2019 论文整合（粗）
Lucifer_Ji的博客
05-26 4171
CVPR2019(只整理了可能与通用模型改进相关的): GANFIT: Generative Adversarial Network Fitting for High Fidelity 3D Face Reconstruction Mode Seeking Generative Adversarial Networks for Diverse Image Synthesis Feedback...
【论文阅读】(CTGAN)Modeling Tabular data using Conditional GAN
weixin_45142381的博客
11-14 690
【论文阅读】(CTGAN)Modeling Tabular data using Conditional GAN
论文翻译：X2CT-GAN: Reconstructing CT from Biplanar X-Rays with Generative Adversarial Networks
qq_45801839的博客
03-14 2705
计算机断层扫描(CT)可以提供患者内部器官的3D视图，有助于疾病诊断，但它对患者的辐射剂量更大，而且CT扫描仪比x光机更昂贵。传统的CT重建方法需要通过对身体的全面旋转扫描进行数百次x射线投影，这在典型的x光机上无法完成。在这项工作中，我们建议使用生成对抗网络(GAN)框架从两个正交x射线重建CT。利用一种特殊设计的发生器网络，将数据维数从2D (x -ray)提高到3D (CT)，这是以往GAN研究中没有解决的问题。提出了一种新的特征融合方法，将两个x射线信息进行融合。
X2CT-GAN 项目使用教程
最新发布
gitblog_00790的博客
09-10 423
X2CT-GAN 项目使用教程 X2CT项目地址:https://gitcode.com/gh_mirrors/x2/X2CT 1、项目介绍 X2CT-GAN 是一个基于生成对抗网络（GAN）的项目，旨在从双平面的 X 射线图像中重建 CT 图像。该项目由 Xingde Ying 等人在 2019 年的 CVPR 会议上提出，并提供了完整的源代码、训练模型和相关数据。X2CT-GAN 通过一个专...
推荐项目：X2CT-GAN—从双平面X射线重建CT的新方法
gitblog_00012的博客
06-16 1043
推荐项目：X2CT-GAN—从双平面X射线重建CT的新方法 X2CT项目地址:https://gitcode.com/gh_mirrors/x2/X2CT 项目简介 在医疗影像领域中，一项名为X2CT-GAN的开创性工作正在引起广泛的关注。该项目源自于2019年CVPR论文，由Ying等研究者提出，其核心是利用生成对抗网络（GAN）将两个正交的X射线图像转化为三维CT图像。这一过程不仅提高了数据...
论文阅读Reconstructing CT from Biplanar X-Rays with Generative Adversarial Networks
qq_42042757的博客
04-06 3484
Reconstructing CT from Biplanar X-Rays with Generative Adversarial Networks 基于生成对抗网络的双平面x线重建CT 来源：CVPR2019 作者单位：腾讯，浙江大学，上海交通大学 摘要 计算机断层扫描(CT)可以提供患者内部器官的3D视图，有助于疾病诊断，但它会给患者带来更多的辐射剂量，而且CT扫描仪的成本也比x光机高得多。传统的CT重建方法需要通过对身体的全面旋转扫描进行数百个x射线投影，这在典型的x射线机器上是无法完成的。传统的C
混子科研狗 组会日记（2022.3.16）
hhhhhhdjl的博客
03-16 808
目前研一，专业控制科学与工程，大方向人工智能应用，医学图像方向（待定），实验室里有合作医院尘肺病人的X光片，CT，文本病例（但很少），我也没有用过，只是在pycharm里读出来过，很糊，应该是要用专门的软件吧，写一下自己的学习历程，供自己若干年后回忆。 简单介绍一下自己的情况，上半学期自学完深度学习基础（pytorch，主要是看李沐和刘二的视频，自然语言处理的代码部分没怎么跑，图像处理的部分都跑了，代码部分能理解就理解，不能理解也就算了），python基础（小甲鱼），本科有C++基础，但已经忘的差不多了。
"金属伪影减少的神经网络去噪方法在CT图像质量优化中的应用
医学信息学解锁24（2021）100573计算机断层扫描图像中金属伪影的减少改进... Box：14155-6183，Tehran，Iran加拿大安大略省多伦多市学院街101号玛格丽特公主癌症中心A R T I C L EI N FO关键词：金属伪影GAN神经网络去
基于GAN的线性逆问题求解
5602基于GAN的投影器用于线性逆问题美国伊利诺伊大学香槟分校{ankitr3，yuqil3，ybresler}@ illinois.edu摘要一个生成对抗网络（GAN）与生成器G训练的图像的先验模型已被证明在不适定的逆问题比基于稀疏的正则化更好...
CTGAN：用于生成合成表格数据的条件GAN
02-24
从开源项目 网站： ： 文档： : 仓库： : 执照： 发展状况： 概述 CTGAN是用于单个表数据的基于深度学习的合成数据生成器的集合，这些数据生成器能够从真实数据中学习并生成高保真度的合成克隆。 当前，该库论文实现在提出的CTGAN和TVAE模型。 有关这些型号的更多信息，请查阅相应的用户指南： 。 。 安装 要求 CTGAN已在 3.6、3.7上进行开发和测试 从PyPI安装 推荐的安装CTGAN的方法是使用 ： pip install ctgan 这将从提取并安装最新的稳定版本。 用conda安装 CTGAN也可以使用安装： conda install -c sdv-dev -c pytorch -c conda-forge ctgan 这将从提取并安装最新的稳定版本。 使用范例 :warning_selector: 警告：如果您只是开始使用综合数据，我们建议您使用SDV库，该库提供
PyPI 官网下载 | ctgan-0.5.0.dev1.tar.gz
02-10
资源来自pypi官网。 资源全名：ctgan-0.5.0.dev1.tar.gz
DRR-Studies:这是一个包含从CT扫描生成DRR的代码的存储库
05-08
数字重建射线照相仪 DigitallyReconstructedRadiograph是一个软件包，用于从3D体积中生成数字重建的X射线照片（DRR）。 接受nifti（3D）的输入格式作为输入，仅输出一个切片的3D图像作为DRR输出。
CTGAN（Modeling Tabular Data using Conditional GAN读书笔记）有实验代码
qq_41910518的博客
03-07 1万+
使用条件GAN建模表格数据摘要介绍 摘要   对表格数据中行的概率分布进行建模并生成真实的合成数据是一项非常重要的任务。表格数据通常包含离散列和连续列，建模有一定困难： 连续列可能有多种模式。 离散列有时数据样本不平衡。   现有的统计和深度神经网络模型无法正确地建模这类数据。本文设计了CTGAN，使用条件生成器来解决这些挑战。   为了帮助进行公平和彻底的比较，本文设计了一个基准测试，包括7个模拟数据集和8个真实数据集，以及几个贝叶斯网络基线。CTGAN在大多数真实数据集上都优于贝叶斯方法，而其他深度
CGAN理论讲解及代码实现
weixin_51781852的博客
08-07 6497
CGAN生成的图像虽然有很多缺陷，譬如图像边缘模糊，生成的图像分辨率太低，但是它为后面的pix2pixGAN和CycleGAN开拓了道路，这两个模型转换图像网络时对属性特征的处理方法均受到CGAN启发。针对原始GAN不能生成具有特定属性的图片的问题，Mehdi Mirza等人提出了CGAN，其核心在于将属性信息y融入生成器和判别器中，属性y可以是任何标签的信息，例如图像的类别，人脸图像的面部表情等。生成的图像是随机的，不可预测的，无法控制网络输出特定的图片，生成目标不明确，可控性不强。...
【Python深度学习系列】十几行代码教你使用CTGAN模拟生成表格数据
数据杂坛
12-21 1429
十几行代码教你使用CTGAN模拟生成表格数据（源码）
深度学习：对抗网络GAN的代码实现流程详细解读（超详细，必看）
热门推荐
LEEANG121的博客
02-01 1万+
深度学习：对抗网络GAN的实现流程（超详细） 写在前面的话 GAN可以用任何形式的generator和discriminator，不一定非得使用神经网络。而神经网络被广泛使用的主要原因是它一种通用函数逼近算法(universal function approximator)，即我们能够使用大量节点的神经网络来模拟任何非线性的Input与Output之间的函数，相对其他方法具有更高的自由度，不会因...
ctgan的条件向量
weixin_44130900的博客
10-09 270
那我可以这么理解吗，sample_original_condvec是根据原始数据的分布频率生成条件，如果种类多的话那么出现的频率就高，从而生成的行数也就越多，反之，种类少的话，那么出现的频率也就会低，生成的行数也会偏低；因此，如果某个类别在原始数据中出现得更频繁，那么生成的条件向量中该类别出现的概率也会更高。反之，如果某个类别在原始数据中较少出现，那么生成的条件向量中该类别出现的概率也会较低。这样，当我们使用这个条件向量生成数据时，生成的数据将满足性别为“男”的条件。是的，您的理解是正确的。
x2ct-gan复现
03-07
x2ct-gan是一种用于图像生成的深度学习模型，它可以将输入的条件图像转换为目标图像。下面是复现x2ct-gan的一般步骤： 1. 数据准备：收集并准备用于训练的条件图像和目标图像数据集。确保数据集中的图像对应匹配，并且具有足够的多样性。 2. 构建生成器网络：生成器网络是x2ct-gan的核心组件，它负责将条件图像转换为目标图像。可以使用卷积神经网络（CNN）或者其他深度学习模型来构建生成器网络。 3. 构建判别器网络：判别器网络用于评估生成器网络生成的图像的真实性。它可以是一个二分类器，用于判断输入图像是真实的目标图像还是生成器网络生成的图像。 4. 定义损失函数：为了训练生成器和判别器网络，需要定义适当的损失函数。常用的损失函数包括对抗损失、感知损失和内容损失等。 5. 训练模型：使用准备好的数据集和定义好的损失函数，通过迭代优化生成器和判别器网络的参数来训练模型。可以使用梯度下降等优化算法进行参数更新。 6. 评估模型：在训练完成后，可以使用测试集或者其他图像进行评估，检查生成器网络的性能和生成图像的质量。 7. 进行图像生成：使用训练好的生成器网络，输入条件图像，即可生成对应的目标图像。
评论
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