論文の概要: Lesion Conditional Image Generation for Improved Segmentation of Intracranial Hemorrhage from CT Images

• arxiv url: http://arxiv.org/abs/2003.13868v1
• Date: Mon, 30 Mar 2020 23:32:54 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-18 06:21:54.044952
• Title: Lesion Conditional Image Generation for Improved Segmentation of Intracranial Hemorrhage from CT Images
• Title（参考訳）: CT画像からの頭蓋内出血の改善のための病変条件画像生成
• Authors: Manohar Karki, Junghwan Cho, Seokhwan Ko
• Abstract要約: データ拡張のためのCT画像を生成するために,病変条件付きジェネレーティブ・アドバイサル・ネットワークLcGANを提案する。 病変条件画像(segmented mask)は、訓練中にジェネレータとLcGANの判別器の両方に入力される。 完全畳み込みネットワーク(FCN)スコアと曖昧さを用いて画像の品質を定量化する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Data augmentation can effectively resolve a scarcity of images when training machine-learning algorithms. It can make them more robust to unseen images. We present a lesion conditional Generative Adversarial Network LcGAN to generate synthetic Computed Tomography (CT) images for data augmentation. A lesion conditional image (segmented mask) is an input to both the generator and the discriminator of the LcGAN during training. The trained model generates contextual CT images based on input masks. We quantify the quality of the images by using a fully convolutional network (FCN) score and blurriness. We also train another classification network to select better synthetic images. These synthetic CT images are then augmented to our hemorrhagic lesion segmentation network. By applying this augmentation method on 2.5%, 10% and 25% of original data, segmentation improved by 12.8%, 6% and 1.6% respectively.
• Abstract（参考訳）: データ拡張は、機械学習アルゴリズムを訓練する際の画像の不足を効果的に解決する。 これにより、目に見えない画像がより堅牢になる。 データ拡張のためのCT画像を生成するために,病変条件付きジェネレーターネットワークLcGANを提案する。 病変条件画像(segmented mask)は、訓練中にジェネレータとLcGANの判別器の両方に入力される。 トレーニングされたモデルは、入力マスクに基づいてコンテキストCT画像を生成する。 完全畳み込みネットワーク(FCN)スコアと曖昧さを用いて画像の品質を定量化する。 また,より優れた合成画像を選択するための分類ネットワークを訓練した。 これらの合成ct画像は, 出血性病変分節ネットワークに拡張される。 この増分法を原データの2.5%、10%、25%に適用することにより、それぞれ12.8%、6%、および1.6%のセグメンテーションが向上した。

関連論文リスト

• Additional Look into GAN-based Augmentation for Deep Learning COVID-19 Image Classification [57.1795052451257]
  我々は,GANに基づく拡張性能のデータセットサイズ依存性について,小サンプルに着目して検討した。 両方のセットでStyleGAN2-ADAをトレーニングし、生成した画像の品質を検証した後、マルチクラス分類問題における拡張アプローチの1つとしてトレーニングされたGANを使用する。 GANベースの拡張アプローチは、中規模および大規模データセットでは古典的な拡張に匹敵するが、より小さなデータセットでは不十分である。
  論文  参考訳（メタデータ） (2024-01-26T08:28:13Z)
• Performance of GAN-based augmentation for deep learning COVID-19 image classification [57.1795052451257]
  ディープラーニングを医療分野に適用する上で最大の課題は、トレーニングデータの提供である。 データ拡張は、限られたデータセットに直面した時に機械学習で使用される典型的な方法論である。 本研究は, 新型コロナウイルスの胸部X線画像セットを限定して, StyleGAN2-ADAモデルを用いて訓練するものである。
  論文  参考訳（メタデータ） (2023-04-18T15:39:58Z)
• Retinal Image Restoration using Transformer and Cycle-Consistent Generative Adversarial Network [0.7868449549351486]
  医療画像は様々な疾患の検出と治療に重要な役割を果たしている。 視覚変換器と畳み込みニューラルネットワークを用いた網膜画像強調手法を提案する。
  論文  参考訳（メタデータ） (2023-03-03T14:10:47Z)
• Harmonizing Pathological and Normal Pixels for Pseudo-healthy Synthesis [68.5287824124996]
  そこで本研究では,新しいタイプの識別器であるセグメンタを提案し,病変の正確な特定と擬似健康画像の視覚的品質の向上を図っている。 医用画像強調に生成画像を適用し,低コントラスト問題に対処するために拡張結果を利用する。 BraTSのT2モダリティに関する総合的な実験により、提案手法は最先端の手法よりも大幅に優れていることが示された。
  論文  参考訳（メタデータ） (2022-03-29T08:41:17Z)
• Self-Attention Generative Adversarial Network for Iterative Reconstruction of CT Images [0.9208007322096533]
  本研究の目的は、ノイズや不完全なデータから高品質なCT画像を再構成するために、単一のニューラルネットワークを訓練することである。 ネットワークには、データ内の長距離依存関係をモデル化するセルフアテンションブロックが含まれている。 我々のアプローチはCIRCLE GANに匹敵する全体的なパフォーマンスを示し、他の2つのアプローチよりも優れています。
  論文  参考訳（メタデータ） (2021-12-23T19:20:38Z)
• Sharp-GAN: Sharpness Loss Regularized GAN for Histopathology Image Synthesis [65.47507533905188]
  コンディショナル・ジェネレーショナル・ジェネレーティブ・逆境ネットワークは、合成病理像を生成するために応用されている。 そこで我々は,現実的な病理像を合成するために,シャープネスロス正則化生成対向ネットワークを提案する。
  論文  参考訳（メタデータ） (2021-10-27T18:54:25Z)
• Image Translation for Medical Image Generation -- Ischemic Stroke Lesions [0.0]
  注釈付き病理を持つ合成データベースは、必要なトレーニングデータを提供することができる。 画像から画像への変換モデルを訓練し、脳卒中病変を伴わない脳の容積の磁気共鳴像を合成する。 臨床例は10例, 50例に過ぎなかったが, 総合的なデータ拡張は有意な改善をもたらすことが示唆された。
  論文  参考訳（メタデータ） (2020-10-05T09:12:28Z)
• COVID-19 CT Image Synthesis with a Conditional Generative Adversarial Network [26.12568967493797]
  コロナウイルス感染症2019(COVID-19)は、2019年12月以降急速に拡大している世界的なパンデミックである。 リアルタイム逆転写ポリメラーゼ鎖反応 (rRT-PCR) と胸部CT画像撮影 (CT) はどちらも新型コロナウイルスの診断において重要な役割を担っている。 深層学習に基づくコンピュータビジョン手法は、医用画像の応用において非常に有望であることを示す。
  論文  参考訳（メタデータ） (2020-07-29T07:20:06Z)
• XCAT-GAN for Synthesizing 3D Consistent Labeled Cardiac MR Images on Anatomically Variable XCAT Phantoms [0.7153299673914196]
  GAN(Generative Adversarial Network)は、高忠実度画像の合成により、有望なデータ濃縮ソリューションを提供する。 そこで本研究では, 心磁気共鳴(CMR)画像を, 解剖学的変化が大きい仮想被験者の集団に合成する方法を提案する。
  論文  参考訳（メタデータ） (2020-07-27T10:05:04Z)
• Synergistic Learning of Lung Lobe Segmentation and Hierarchical Multi-Instance Classification for Automated Severity Assessment of COVID-19 in CT Images [61.862364277007934]
  3次元CT画像におけるCOVID-19の重症度自動評価のための相乗的学習フレームワークを提案する。 マルチタスクのディープネットワーク(M$2$UNet)が開発され、新型コロナウイルス患者の重症度を評価する。 われわれのM$2$UNetはパッチレベルのエンコーダと肺葉分画のためのセグメンテーションサブネットワークと重度評価のための分類サブネットワークから構成されている。
  論文  参考訳（メタデータ） (2020-05-08T03:16:15Z)
• Pathological Retinal Region Segmentation From OCT Images Using Geometric Relation Based Augmentation [84.7571086566595]
  本稿では,幾何学と形状の内在的関係を共同で符号化することで,従来のGANベースの医用画像合成法よりも優れた手法を提案する。 提案手法は,取得手順の異なる画像を有する公開RETOUCHデータセット上で,最先端のセグメンテーション手法より優れている。
  論文  参考訳（メタデータ） (2020-03-31T11:50:43Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。