前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >【每周CV论文推荐】GAN在医学图像生成与增强中的典型应用

【每周CV论文推荐】GAN在医学图像生成与增强中的典型应用

作者头像
用户1508658
发布2022-11-07 21:43:19
1K0
发布2022-11-07 21:43:19
举报
文章被收录于专栏:有三AI

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,因此对数据的仿真有非常大的需求,基本的DCGAN模型已经被用于各类任务的数据增强。

文章引用量:1000+

推荐指数:✦✦✦✦✧

[1] Frid-Adar M, Klang E, Amitai M, et al. Synthetic data augmentation using GAN for improved liver lesion classification[C]//2018 IEEE 15th international symposium on biomedical imaging (ISBI 2018). IEEE, 2018: 289-293.

[2] Chuquicusma M J M, Hussein S, Burt J, et al. How to fool radiologists with generative adversarial networks? A visual turing test for lung cancer diagnosis[C]//2018 IEEE 15th international symposium on biomedical imaging (ISBI 2018). IEEE, 2018: 240-244.

[3] Baur C, Albarqouni S, Navab N. MelanoGANs: high resolution skin lesion synthesis with GANs[J]. arXiv preprint arXiv:1804.04338, 2018.

2 有条件监督数据仿真GAN

有些数据的获取对人体会造成一些伤害,比如CT扫描的图片比MRI图片危害性更大,我们可以使用图像翻译框架Pix2Pix将某一个域的数据转换为另一个域的数据,比如MRI变成CT。另一方面,直接生成RGB图像可能受限于训练数据,但是我们可以基于图像翻译框架,从更加简单的数据形式,比如从同一个分割掩膜生成不同的彩色图片,从而实现数据集的扩充。

文章引用量:500+

推荐指数:✦✦✦✦✦

[4] Nie D, Trullo R, Lian J, et al. Medical image synthesis with context-aware generative adversarial networks[C]//International conference on medical image computing and computer-assisted intervention. Springer, Cham, 2017: 417-425.

[5] Costa P, Galdran A, Meyer M I, et al. End-to-end adversarial retinal image synthesis[J]. IEEE transactions on medical imaging, 2017, 37(3): 781-791.

3 无条件监督数据仿真GAN

在有些场景中我们需要成对的不同类型的图像,比如在放射治疗中的MRI与CT,但是高质量成对数据获取难度高,图像翻译框架CycleGAN是一个不依赖于成对数据集的框架,可被用于从某一个域的数据转换为另一个域的数据。

文章引用量:500+

推荐指数:✦✦✦✦✦

[6] Wolterink J M, Dinkla A M, Savenije M H F, et al. Deep MR to CT synthesis using unpaired data[C]//International workshop on simulation and synthesis in medical imaging. Springer, Cham, 2017: 14-23.

[7] Chartsias A, Joyce T, Dharmakumar R, et al. Adversarial image synthesis for unpaired multi-modal cardiac data[C]//International workshop on simulation and synthesis in medical imaging. Springer, Cham, 2017: 3-13.

4 三维生成GAN

医学图像数据本质上是三维的,前面介绍的一些工作大多是二维切片图像的仿真,这里我们再介绍一些三维仿真GAN的工作,相比于二维图片生成计算复杂度更高,因此一些新的工作致力于在生成高分辨率图片的同时,设计更加高效的生成架构。

文章引用量:500+

推荐指数:✦✦✦✦✦

[8] Jin D, Xu Z, Tang Y, et al. CT-realistic lung nodule simulation from 3D conditional generative adversarial networks for robust lung segmentation[C]//International Conference on Medical Image Computing and Computer-Assisted Intervention. Springer, Cham, 2018: 732-740.

[9] Sun L, Chen J, Xu Y, et al. Hierarchical Amortized GAN for 3D High Resolution Medical Image Synthesis[J]. IEEE journal of biomedical and health informatics, 2022, 26(8): 3966-3975.

5 如何进行实战

由于本次推荐的论文与图像生成、图像翻译都有关联,为了帮助大家掌握相关前置知识!我们推出了相关的专栏课程《深度学习之图像生成GAN:理论与实践》,《深度学习之图像翻译GAN:理论与实践》,感兴趣可以进一步阅读:

【视频课】CV必学,超6小时,2大模块,循序渐进地搞懂GAN图像生成!

【视频课】CV必学,超7小时,3大模块,3大案例,掌握图像翻译与风格化GAN核心技术!

总结

本次我们介绍了基于GAN的医学图像生成与数据增强中的典型应用,从事医学相关方向的朋友可以通过阅读这些文章进行初步了解。

本文参与 腾讯云自媒体同步曝光计划,分享自微信公众号。
原始发表:2022-09-29,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 有三AI 微信公众号,前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档