論文の概要: Data Augmentation using Generative Adversarial Networks (GANs) for GAN-based Detection of Pneumonia and COVID-19 in Chest X-ray Images

• arxiv url: http://arxiv.org/abs/2006.03622v2
• Date: Tue, 12 Jan 2021 20:27:04 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-25 03:43:46.858311
• Title: Data Augmentation using Generative Adversarial Networks (GANs) for GAN-based Detection of Pneumonia and COVID-19 in Chest X-ray Images
• Title（参考訳）: gan(generative adversarial network)を用いた胸部x線画像におけるganによる肺炎およびcovid-19の検出
• Authors: Saman Motamed and Patrik Rogalla and Farzad Khalvati
• Abstract要約: 肺炎およびCOVID-19の半監督的検出のための胸部X線増強のための新しいGANアーキテクチャを提案する。 提案したGANは, 肺炎, COVID-19の胸部X線検査において, データを効果的に増強し, 疾患の分類精度を向上させるのに有用である。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Successful training of convolutional neural networks (CNNs) requires a substantial amount of data. With small datasets networks generalize poorly. Data Augmentation techniques improve the generalizability of neural networks by using existing training data more effectively. Standard data augmentation methods, however, produce limited plausible alternative data. Generative Adversarial Networks (GANs) have been utilized to generate new data and improve the performance of CNNs. Nevertheless, data augmentation techniques for training GANs are under-explored compared to CNNs. In this work, we propose a new GAN architecture for augmentation of chest X-rays for semi-supervised detection of pneumonia and COVID-19 using generative models. We show that the proposed GAN can be used to effectively augment data and improve classification accuracy of disease in chest X-rays for pneumonia and COVID-19. We compare our augmentation GAN model with Deep Convolutional GAN and traditional augmentation methods (rotate, zoom, etc) on two different X-ray datasets and show our GAN-based augmentation method surpasses other augmentation methods for training a GAN in detecting anomalies in X-ray images.
• Abstract（参考訳）: 畳み込みニューラルネットワーク(CNN)のトレーニングの成功には、かなりの量のデータが必要である。 小さなデータセットでは、ネットワークは一般的でない。 データ拡張技術は、既存のトレーニングデータをより効果的に利用することにより、ニューラルネットワークの一般化性を向上させる。 しかし、標準的なデータ拡張手法は、限定可能な代替データを生成する。 GAN(Generative Adversarial Networks)は,新たなデータ生成とCNNの性能向上に利用されている。 それでも、ganのトレーニングのためのデータ拡張技術は、cnnと比較して未検討である。 そこで本研究では, 造血モデルを用いて, 肺炎およびcovid-19の半監督検出のための胸部x線増倍用ganアーキテクチャを提案する。 提案したGANは, 肺炎, COVID-19の胸部X線検査において, データを効果的に増強し, 疾患の分類精度を向上させるのに有用である。 我々は、GANモデルとDeep Convolutional GANと、2つの異なるX線データセット上の従来の拡張方法(回転、ズーム等)を比較し、GANに基づく拡張手法が、X線画像の異常を検出するための他の拡張方法を上回ることを示す。

関連論文リスト

• Diffusion-Based Neural Network Weights Generation [80.89706112736353]
  D2NWGは拡散に基づくニューラルネットワーク重み生成技術であり、転送学習のために高性能な重みを効率よく生成する。 本稿では,ニューラルネットワーク重み生成のための遅延拡散パラダイムを再放送するために,生成的ハイパー表現学習を拡張した。 我々のアプローチは大規模言語モデル(LLM)のような大規模アーキテクチャにスケーラブルであり、現在のパラメータ生成技術の限界を克服しています。
  論文  参考訳（メタデータ） (2024-02-28T08:34:23Z)
• 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)
• LD-GAN: Low-Dimensional Generative Adversarial Network for Spectral Image Generation with Variance Regularization [72.4394510913927]
  ディープラーニング法はスペクトル画像(SI)計算タスクの最先端技術である。 GANは、データ分散から学習およびサンプリングすることで、多様な拡張を可能にする。 この種のデータの高次元性は、GANトレーニングの収束を妨げるため、GANベースのSI生成は困難である。 本稿では, オートエンコーダ訓練における低次元表現分散を制御し, GANで生成されたサンプルの多様性を高めるための統計正則化を提案する。
  論文  参考訳（メタデータ） (2023-04-29T00:25:02Z)
• 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)
• GAN-based Data Augmentation for Chest X-ray Classification [0.0]
  Generative Adrialversa Networks (GANs) は、合成データ拡張の新しい方法を提供する。 GANベースの拡張により、表現不足のクラスでは、よりダウンストリームのパフォーマンスが向上する。 これは、データ収集が違法に高価である場合にネットワーク性能を向上させるため、GANベースの拡張が有望な研究領域であることを示唆している。
  論文  参考訳（メタデータ） (2021-07-07T01:36:48Z)
• Tips and Tricks to Improve CNN-based Chest X-ray Diagnosis: A Survey [0.12647816797166167]
  畳み込みニューラルネットワーク(CNN)は本質的に大規模なデータを必要とするが、Chest X-Ray(CXR)のイメージはデータ/アノテーションを欠く傾向にあり、過度に適合する。 本稿では,CXRの診断における一般化の手法を徹底的に紹介する: (i) 追加データをどのように活用するか, (ii) 増補・希釈データをどのように活用するか, (iii) トレーニングを正規化し, (iv) 効率的なセグメンテーションを行う。
  論文  参考訳（メタデータ） (2021-06-02T07:46:02Z)
• Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
  ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。 胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。 本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
  論文  参考訳（メタデータ） (2021-02-26T02:29:30Z)
• Generating Realistic COVID19 X-rays with a Mean Teacher + Transfer Learning GAN [0.0]
  本稿では,新型コロナウイルスの胸部X線像を高品質に生成するMTT-GAN(Mean Teacher + Transfer GAN)について紹介する。 より正確なGANを作成するために、我々はKaggle Pneumonia X-Rayデータセットからの転送学習を採用している。 解析の結果,MTT-GAN はベースライン GAN よりも優れたX線画像を生成し,実際のX線と視覚的に比較できることがわかった。
  論文  参考訳（メタデータ） (2020-09-26T00:05:06Z)
• Learning Invariant Feature Representation to Improve Generalization across Chest X-ray Datasets [55.06983249986729]
  我々は、トレーニングデータと同じデータセットでテストすると、ディープラーニングモデルが、異なるソースからデータセットでテストされると、パフォーマンスが低下し始めることを示す。 対戦型トレーニング戦略を用いることで、ネットワークはソース不変表現を学習せざるを得ないことを示す。
  論文  参考訳（メタデータ） (2020-08-04T07:41:15Z)
• A Deep Convolutional Neural Network for COVID-19 Detection Using Chest X-Rays [2.2843885788439797]
  我々は,Dense Convolutional Networksに基づく画像分類器を提案し,胸部X線像を新型コロナウイルス,肺炎,正常の3つのラベルで分類する移行学習を行った。 テストデータセットで100%のテスト精度に到達することができました。
  論文  参考訳（メタデータ） (2020-04-30T13:20:42Z)
• Detection of Coronavirus (COVID-19) Associated Pneumonia based on Generative Adversarial Networks and a Fine-Tuned Deep Transfer Learning Model using Chest X-ray Dataset [4.664495510551646]
  本稿では, 限られたデータセットに対して, 微調整深層移動学習を施したGANを用いた肺炎胸部X線検出法を提案する。 この研究で使用されるデータセットは、正常と肺炎の2つのカテゴリを持つ5863のX線画像で構成されている。
  論文  参考訳（メタデータ） (2020-04-02T08:14:37Z)

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。