論文の概要: SAGE: Sequential Attribute Generator for Analyzing Glioblastomas using Limited Dataset

• arxiv url: http://arxiv.org/abs/2005.07225v2
• Date: Fri, 3 Jun 2022 21:28:33 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-03 05:33:51.601470
• Title: SAGE: Sequential Attribute Generator for Analyzing Glioblastomas using Limited Dataset
• Title（参考訳）: sage: 限られたデータセットを用いたグリオブラスト腫解析のためのシーケンシャル属性生成装置
• Authors: Padmaja Jonnalagedda, Brent Weinberg (MD, PhD), Jason Allen (MD, PhD), Taejin L. Min (MD), Shiv Bhanu (MD), Bir Bhanu
• Abstract要約: GAN(Generative Adversarial Networks)は、最近、より多くのデータを生成することでそのようなデータセットを扱うのに非常に効果的である。 本稿では,新たな生成フレームワークであるSequential Attribute GEnerator(SAGE)を提案する。 SAGEは、限られたデータセットから学習しながら、詳細な腫瘍イメージング機能を生成する。
• 参考スコア（独自算出の注目度）: 17.61939796730505
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: While deep learning approaches have shown remarkable performance in many imaging tasks, most of these methods rely on availability of large quantities of data. Medical image data, however, is scarce and fragmented. Generative Adversarial Networks (GANs) have recently been very effective in handling such datasets by generating more data. If the datasets are very small, however, GANs cannot learn the data distribution properly, resulting in less diverse or low-quality results. One such limited dataset is that for the concurrent gain of 19 and 20 chromosomes (19/20 co-gain), a mutation with positive prognostic value in Glioblastomas (GBM). In this paper, we detect imaging biomarkers for the mutation to streamline the extensive and invasive prognosis pipeline. Since this mutation is relatively rare, i.e. small dataset, we propose a novel generative framework - the Sequential Attribute GEnerator (SAGE), that generates detailed tumor imaging features while learning from a limited dataset. Experiments show that not only does SAGE generate high quality tumors when compared to standard Deep Convolutional GAN (DC-GAN) and Wasserstein GAN with Gradient Penalty (WGAN-GP), it also captures the imaging biomarkers accurately.
• Abstract（参考訳）: ディープラーニングのアプローチは多くの画像処理タスクで顕著なパフォーマンスを示しているが、ほとんどの方法は大量のデータを利用できることに依存している。 しかし、医療画像データは乏しく断片化されている。 GAN(Generative Adversarial Networks)は、最近、より多くのデータを生成することでそのようなデータセットを扱うのに非常に効果的である。 しかしデータセットが非常に小さい場合、GANはデータ分布を適切に学習できないため、多様性や低品質の結果は得られない。 そのような限られたデータセットの1つは、グリオブラスト腫(gbm)の正の予後値の変異である19染色体と20染色体(19/20コゲイン)の同時ゲインについてである。 本稿では,変異のイメージングバイオマーカーを検出し,広範囲かつ侵襲的な予後診断パイプラインを合理化する。 この変異は比較的稀な、すなわち小さなデータセットであるため、限られたデータセットから学習しながら詳細な腫瘍画像を生成するシーケンシャル属性生成(sage)という新しい生成フレームワークを提案する。 実験の結果、SAGEは標準のDeep Convolutional GAN (DC-GAN) やWasserstein GAN with Gradient Penalty (WGAN-GP) と比較して高品質な腫瘍を発生させるだけでなく、画像バイオマーカーを正確に捉えていることがわかった。

関連論文リスト

• Local Lesion Generation is Effective for Capsule Endoscopy Image Data Augmentation in a Limited Data Setting [0.0]
  そこで我々は, 局所病変生成手法を2つ提案し, 小型医用画像データセットの増大に対処する。 最初のアプローチでは、古典的な画像処理技術であるPoisson Image Editingアルゴリズムを使用して、リアルな画像合成を生成する。 第2のアプローチでは、微調整されたイメージインペインティングGANを利用して、現実的な病変を合成する新しい生成手法を導入している。
  論文  参考訳（メタデータ） (2024-11-05T13:44:25Z)
• Towards a Benchmark for Colorectal Cancer Segmentation in Endorectal Ultrasound Videos: Dataset and Model Development [59.74920439478643]
  本稿では,多様なERUSシナリオをカバーする最初のベンチマークデータセットを収集し,注釈付けする。 ERUS-10Kデータセットは77の動画と10,000の高解像度アノテートフレームで構成されています。 本稿では,ASTR (Adaptive Sparse-context TRansformer) という大腸癌セグメンテーションのベンチマークモデルを提案する。
  論文  参考訳（メタデータ） (2024-08-19T15:04:42Z)
• GAN-GA: A Generative Model based on Genetic Algorithm for Medical Image Generation [0.0]
  生成モデルは、医療画像不足問題に対処するための有望な解決策を提供する。 本稿では遺伝的アルゴリズムを組み込んだ生成モデルであるGAN-GAを提案する。 提案モデルは特徴を保ちながら画像の忠実度と多様性を向上させる。
  論文  参考訳（メタデータ） (2023-12-30T20:16:45Z)
• Genetic InfoMax: Exploring Mutual Information Maximization in High-Dimensional Imaging Genetics Studies [50.11449968854487]
  遺伝子ワイド・アソシエーション(GWAS)は、遺伝的変異と特定の形質の関係を同定するために用いられる。 画像遺伝学の表現学習は、GWASによって引き起こされる固有の課題により、ほとんど探索されていない。 本稿では,GWAS の具体的な課題に対処するために,トランスモーダル学習フレームワーク Genetic InfoMax (GIM) を提案する。
  論文  参考訳（メタデータ） (2023-09-26T03:59:21Z)
• Image Synthesis with Disentangled Attributes for Chest X-Ray Nodule Augmentation and Detection [52.93342510469636]
  肺癌早期検診では胸部X線像の肺結節検出が一般的である。 ディープラーニングに基づくコンピュータ支援診断(CAD)システムは、CXRの結節スクリーニングのために放射線科医をサポートすることができる。 このようなデータセットの可用性を損なうため,データ拡張のために肺結節合成法を提案する。
  論文  参考訳（メタデータ） (2022-07-19T16:38:48Z)
• Online Easy Example Mining for Weakly-supervised Gland Segmentation from Histology Images [10.832913704956253]
  病理組織像からのAI支援腺分節法の開発は, 自動診断と予後に重要である。 コンピュータビジョンにおける既存の弱教師付きセマンティックセマンティックセマンティクス法は、腺セマンティクスの変性結果を達成する。 信頼性の高い監視信号に着目したオンライン簡易事例マイニング(OEEM)を提案する。
  論文  参考訳（メタデータ） (2022-06-14T07:53:03Z)
• METGAN: Generative Tumour Inpainting and Modality Synthesis in Light Sheet Microscopy [4.872960046536882]
  本稿では,実解剖情報を活用し,腫瘍の現実的な画像ラベル対を生成する新しい生成法を提案する。 解剖学的画像とラベルのためのデュアルパス生成器を構築し, 独立して事前学習されたセグメンタによって制約された, サイクル一貫性のある設定で学習する。 生成した画像は,既存の手法に比べて定量的に顕著に改善された。
  論文  参考訳（メタデータ） (2021-04-22T11:18:17Z)
• Improving prostate whole gland segmentation in t2-weighted MRI with synthetically generated data [1.315041045243413]
  前立腺の全身(WG)の区分は前立腺癌の検出、ステージングおよび処置計画で重要な役割を担います。 本研究では, WGセグメンテーションマスクを生成し, 前立腺のT2強調MRIを合成するパイプラインを提案する。 その結果,標準的な拡張技術と比較してWGセグメンテーションの品質は向上した。
  論文  参考訳（メタデータ） (2021-03-27T18:04:11Z)
• SAG-GAN: Semi-Supervised Attention-Guided GANs for Data Augmentation on Medical Images [47.35184075381965]
  本稿では,GAN(Cycle-Consistency Generative Adversarial Networks)を用いた医用画像生成のためのデータ拡張手法を提案する。 提案モデルでは,正常画像から腫瘍画像を生成することができ,腫瘍画像から正常画像を生成することもできる。 本研究では,従来のデータ拡張手法と合成画像を用いた分類モデルを用いて,実画像を用いた分類モデルを訓練する。
  論文  参考訳（メタデータ） (2020-11-15T14:01:24Z)
• Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype Prediction [55.94378672172967]
  本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。 新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。 我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
  論文  参考訳（メタデータ） (2020-09-02T02:50:30Z)
• On Leveraging Pretrained GANs for Generation with Limited Data [83.32972353800633]
  生成的敵ネットワーク(GAN)は、しばしば(人間によって)実際の画像と区別できない非常に現実的な画像を生成することができる。 このように生成されたほとんどの画像はトレーニングデータセットには含まれておらず、GAN生成データでトレーニングセットを増強する可能性を示唆している。 我々は、大規模なデータセットで事前訓練された既存のGANモデルを活用し、トランスファーラーニングの概念に従って追加の知識を導入する。 限られたデータを用いた生成における提案手法の有効性を示すため, 広範囲な実験を行った。
  論文  参考訳（メタデータ） (2020-02-26T21:53:36Z)

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。