<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[OctYZ的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/OctYZ</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; OctYZ]]></copyright><item><title><![CDATA[论文阅读：A Progressive Generative Adversarial Method for Structurally Inadequate Medical Image Data Augm]]></title><link>https://blog.youkuaiyun.com/OctYZ/article/details/146240271</link><guid>https://blog.youkuaiyun.com/OctYZ/article/details/146240271</guid><author>OctYZ</author><pubDate>Thu, 13 Mar 2025 19:30:36 +0800</pubDate><description><![CDATA[超声图像在结构上存在不足，使得生成网络难以捕捉其结构，导致生成的图像缺乏结构合法性。]]></description><category></category></item><item><title><![CDATA[论文阅读：DSAGAN: A generative adversarial network based on dualstream attention mechanism for anatomical]]></title><link>https://blog.youkuaiyun.com/OctYZ/article/details/146240208</link><guid>https://blog.youkuaiyun.com/OctYZ/article/details/146240208</guid><author>OctYZ</author><pubDate>Thu, 13 Mar 2025 19:28:25 +0800</pubDate><description><![CDATA[多模态医学图像融合现有方法主要基于特定的变换理论。现有算法存在诸多问题，如适应性差、效率低、细节模糊等。]]></description><category></category></item><item><title><![CDATA[论文阅读：Image Translation for Medical Image Generation: Ischemic Stroke Lesion Segmentation]]></title><link>https://blog.youkuaiyun.com/OctYZ/article/details/146042749</link><guid>https://blog.youkuaiyun.com/OctYZ/article/details/146042749</guid><author>OctYZ</author><pubDate>Wed, 05 Mar 2025 14:36:37 +0800</pubDate><description><![CDATA[虽然这种方法生成了完全逼真的3D图像（至少在病变区域外），但其方法在组合上存在局限性，而我们的方法原则上可以从（连续的）潜在空间表示（如SPADE和病变生成GAN）或分割掩码的连续变形中生成一系列新的、未见过的图像。合成图像的强度紧密跟随正常体积的强度。为了定量评估各种ITM的性能，我们在临床、临床与合成以及单独合成的数据库上训练了一个3D U-Net[21]分割网络（针对上述讨论的每个ITM），随后在包含74名中风患者和85名健康患者的DWI测试集上评估生成的分割掩码，该测试集已从训练数据中分离出来。]]></description><category></category></item><item><title><![CDATA[论文阅读：Deep Learning Approaches for Data Augmentation in Medical Imaging: A Review]]></title><link>https://blog.youkuaiyun.com/OctYZ/article/details/146042670</link><guid>https://blog.youkuaiyun.com/OctYZ/article/details/146042670</guid><author>OctYZ</author><pubDate>Wed, 05 Mar 2025 14:34:50 +0800</pubDate><description><![CDATA[医学图像数据获取成本高且受隐私法规约束，越来越多的研究提出使用深度生成模型来生成更符合数据真实分布的、逼真且多样化的数据。]]></description><category></category></item><item><title><![CDATA[论文阅读：Synthetic data accelerates the development of generalizable learning-based algorithms for X-ray]]></title><link>https://blog.youkuaiyun.com/OctYZ/article/details/145959424</link><guid>https://blog.youkuaiyun.com/OctYZ/article/details/145959424</guid><author>OctYZ</author><pubDate>Sun, 02 Mar 2025 10:28:32 +0800</pubDate><description><![CDATA[AI在介入性图像分析中的潜在应用仍未被充分挖掘。在实时手术过程中收集的数据进行事后分析存在根本性和实践性的限制，包括伦理考虑、成本、可扩展性、数据完整性以及缺乏真实基准。]]></description><category></category></item><item><title><![CDATA[论文阅读：Generating Synthetic Data for Medical Imaging]]></title><link>https://blog.youkuaiyun.com/OctYZ/article/details/144211934</link><guid>https://blog.youkuaiyun.com/OctYZ/article/details/144211934</guid><author>OctYZ</author><pubDate>Tue, 03 Dec 2024 12:30:04 +0800</pubDate><description><![CDATA[医学成像任务，如分类或分割，需要大量不同的图像数据集。]]></description><category></category></item><item><title><![CDATA[论文阅读：基于深度学习的肺肿瘤PET-CT图像融合]]></title><link>https://blog.youkuaiyun.com/OctYZ/article/details/142833259</link><guid>https://blog.youkuaiyun.com/OctYZ/article/details/142833259</guid><author>OctYZ</author><pubDate>Thu, 10 Oct 2024 21:56:01 +0800</pubDate><description><![CDATA[将不同模态的图像分别作为 Content 图像与 Style 图像作为输入查看融合结果， 将两个模态的输入进行互换再次查看输出结果。在每个特征层中，每个数字代表了特定位置的特定卷积核卷积所得到的结果，反映了相应特征的显著程度和两两特征之间的相关性。PET 图像的分辨率 为 168×168，CT 图像的分辨率为 512×512。Gram 矩阵是一种基于特征表示的统计方法，通常用于计算输入图像的风格信息。Gram 矩阵的计算可以通过将该特征图重塑为一个大小为 C×H×W 的矩阵，]]></description><category></category></item><item><title><![CDATA[论文阅读：Attention is All you Need]]></title><link>https://blog.youkuaiyun.com/OctYZ/article/details/142729282</link><guid>https://blog.youkuaiyun.com/OctYZ/article/details/142729282</guid><author>OctYZ</author><pubDate>Sun, 06 Oct 2024 17:11:48 +0800</pubDate><description><![CDATA[提出了Transformer，完全基于注意力机制，摒弃了循环和卷积网络。]]></description><category></category></item><item><title><![CDATA[论文阅读：PET/CT Cross-modal medical image fusion of lung tumors based on DCIF-GAN]]></title><link>https://blog.youkuaiyun.com/OctYZ/article/details/142644747</link><guid>https://blog.youkuaiyun.com/OctYZ/article/details/142644747</guid><author>OctYZ</author><pubDate>Sun, 29 Sep 2024 22:08:27 +0800</pubDate><description><![CDATA[基于GAN的融合方法存在训练不稳定，提取图像的局部和全局上下文语义信息能力不足，交互融合程度不够等问题。]]></description><category></category></item><item><title><![CDATA[论文阅读：多模态医学图像融合方法的研究进展]]></title><link>https://blog.youkuaiyun.com/OctYZ/article/details/142641847</link><guid>https://blog.youkuaiyun.com/OctYZ/article/details/142641847</guid><author>OctYZ</author><pubDate>Sun, 29 Sep 2024 19:19:12 +0800</pubDate><description><![CDATA[基于深度学习的多模态医学图像融合算法仍是主流方法。最新的方法进展不但运用了深度学习模型，而且在特征提取阶段结合了传统方法以优化细节，提高融合质量。]]></description><category></category></item><item><title><![CDATA[论文阅读：Wasserstein GAN]]></title><link>https://blog.youkuaiyun.com/OctYZ/article/details/142641858</link><guid>https://blog.youkuaiyun.com/OctYZ/article/details/142641858</guid><author>OctYZ</author><pubDate>Sun, 29 Sep 2024 19:17:23 +0800</pubDate><description><![CDATA[由于随机生成分布很难与真实分布有不可忽略的重叠以及JS散度的突变特性，使得生成器面临梯度消失的问题；在最优判别器下等价于既要最小化生成分布与真实分布直接的KL散度，又要最大化其JS散度，相互矛盾，导致梯度不稳定；KL散度的不对称性使得生成器宁可丧失多样性也不愿丧失准确性，导致collapse mode现象。前作过渡方案：添加噪声引入Wasserstein距离，具有优越的平滑特性，理论上可以解决梯度消失问题；将Wasserstein距离写成可求解的形式，可以近似Wasserstein距离；]]></description><category></category></item><item><title><![CDATA[论文阅读：MedGAN：Medical image translation using GANs]]></title><link>https://blog.youkuaiyun.com/OctYZ/article/details/142425896</link><guid>https://blog.youkuaiyun.com/OctYZ/article/details/142425896</guid><author>OctYZ</author><pubDate>Sat, 21 Sep 2024 22:29:13 +0800</pubDate><description><![CDATA[图像到图像的转换被认为是医学图像分析领域的一个新的前沿领域。]]></description><category></category></item><item><title><![CDATA[论文阅读：Unsupervised Representation Learning with Deep Convolutional Generative Adversarial Networks]]></title><link>https://blog.youkuaiyun.com/OctYZ/article/details/142365719</link><guid>https://blog.youkuaiyun.com/OctYZ/article/details/142365719</guid><author>OctYZ</author><pubDate>Thu, 19 Sep 2024 17:25:59 +0800</pubDate><description><![CDATA[希望能缩小CNN在监督学习和无监督学习之间成功应用的差距。]]></description><category></category></item><item><title><![CDATA[论文阅读：Generative Adversarial Nets]]></title><link>https://blog.youkuaiyun.com/OctYZ/article/details/142346369</link><guid>https://blog.youkuaiyun.com/OctYZ/article/details/142346369</guid><author>OctYZ</author><pubDate>Wed, 18 Sep 2024 23:24:48 +0800</pubDate><description><![CDATA[提出GAN：生成模型 G ，生成模型用来捕获数据的分布；辨别模型 D ，辨别模型用来判断样本是来自于训练数据还是生成模型生成的。在任意函数空间里，存在唯一解，G 能找出训练数据的真实分布，而 D 的预测概率为21​。]]></description><category></category></item><item><title><![CDATA[论文阅读：High-Resolution Image Synthesis and Semantic Manipulation with Conditional GANs]]></title><link>https://blog.youkuaiyun.com/OctYZ/article/details/142186615</link><guid>https://blog.youkuaiyun.com/OctYZ/article/details/142186615</guid><author>OctYZ</author><pubDate>Thu, 12 Sep 2024 21:46:06 +0800</pubDate><description><![CDATA[一种新的对抗性损失函数以及新颖的多尺度生成器和判别器架构，生成了2048×1024分辨率的图像。加入了两个用于交互式视觉操作的新功能。]]></description><category></category></item><item><title><![CDATA[论文阅读：Unpaired Image-to-Image Translation Using Cycle-Consistent Adversarial Networks]]></title><link>https://blog.youkuaiyun.com/OctYZ/article/details/142152154</link><guid>https://blog.youkuaiyun.com/OctYZ/article/details/142152154</guid><author>OctYZ</author><pubDate>Wed, 11 Sep 2024 22:39:35 +0800</pubDate><description><![CDATA[成对训练数据缺乏。]]></description><category></category></item><item><title><![CDATA[论文阅读：Bone metastasis scintigram generation using generative adversarial learning with multi‐receptiv]]></title><link>https://blog.youkuaiyun.com/OctYZ/article/details/142105005</link><guid>https://blog.youkuaiyun.com/OctYZ/article/details/142105005</guid><author>OctYZ</author><pubDate>Tue, 10 Sep 2024 18:35:39 +0800</pubDate><description><![CDATA[MRF-GMRF-G(multi-receptive field generator)——多感受野生成器组成：生成网络和判别网络，生成网络使用定制的生成器——MRF-G。样本：病灶标签xGTx_{GT}xGT​，由经验丰富的专家使用开源工具LabelMe获取；二值矩阵xBMx_{BM}xBM​，将x中的所有非零元素设为1、所有零元素设为0来创建二值矩阵；3D高斯噪声xGNx_{GN}xGN​；xGTx_{GT}xGT​和xBM。]]></description><category></category></item><item><title><![CDATA[论文阅读：Image-to-Image Translation with Conditional Adversarial Networks]]></title><link>https://blog.youkuaiyun.com/OctYZ/article/details/142063749</link><guid>https://blog.youkuaiyun.com/OctYZ/article/details/142063749</guid><author>OctYZ</author><pubDate>Mon, 09 Sep 2024 17:05:22 +0800</pubDate><description><![CDATA[L1 损失在不确定边缘具体位置时会鼓励模糊，当不确定像素应采用哪个可能的颜色值时，它也会鼓励选择一种平均的、灰色的颜色。即一个像素的状态（如颜色或强度）只依赖于其局部邻域（Patch）中的像素，而不直接依赖于远处的像素。照片→地图任务偏低的原因可能是在地图中，轻微的结构错误由于其严格的几何形状更加明显，而在更加混乱的航拍照片中则不太显眼。将GAN的目标与更传统的损失（如L2距离）结合起来是有益的。cGANs 的一个显著效果是，它们能生成清晰的图像，即使在输入标签图中不存在空间结构时也会进行“幻觉”生成。]]></description><category></category></item><item><title><![CDATA[论文阅读：深度学习图像数据增广方法研究综述]]></title><link>https://blog.youkuaiyun.com/OctYZ/article/details/141979102</link><guid>https://blog.youkuaiyun.com/OctYZ/article/details/141979102</guid><author>OctYZ</author><pubDate>Sat, 07 Sep 2024 00:02:48 +0800</pubDate><description><![CDATA[数据增广作为从数据层面提高机器学习模型性 能的一项重要手段，广泛应用于各个领域，尤其是那 些样本获取成本高、标注难度大的领域。按照增广数据的生成方式划分为四类：单数据变形、多数据混合、学习数据分布和学习增广策略基于学习的方法对于数据增 广同样具有广阔的发展前景，主要在于以下几个方面: 根据数据和任务基于强化学习探索最优的组合策略;基于元学习自适应地学习最优数据变形和混合方式；基于生成对抗网络进一步拟合真实数据分布以采样高质量的未知数据；基于风格迁移探索多模态数据互相转换的应用。]]></description><category></category></item><item><title><![CDATA[论文阅读：医学图像数据集扩充方法研究进展]]></title><link>https://blog.youkuaiyun.com/OctYZ/article/details/141941991</link><guid>https://blog.youkuaiyun.com/OctYZ/article/details/141941991</guid><author>OctYZ</author><pubDate>Thu, 05 Sep 2024 22:10:25 +0800</pubDate><description><![CDATA[没有提出广泛接受的生成图像质量评价标准，多用：峰值信噪比（peak signal to noise ratio， PSNR）、IS、FID等来衡量图像质量2D医学图像无法 完整表达人体器官的结构特性仍致力于研究单模态医学图像生成，未充分利用医学图像的多模态信息GAN生成的图像用于医学图像分析领域可能会带来不可预知的问题对其他领域的优秀模型的吸收和借鉴非常有限带标注医学图像数据难以获取建立广泛接受的定性评价标准医学图像分析对高维度的图像需求也将进一步增加。]]></description><category></category></item></channel></rss>