論文の概要: Evaluating the Clinical Realism of Synthetic Chest X-Rays Generated Using Progressively Growing GANs

• arxiv url: http://arxiv.org/abs/2010.03975v2
• Date: Wed, 10 Mar 2021 21:13:38 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-09 22:53:07.324242
• Title: Evaluating the Clinical Realism of Synthetic Chest X-Rays Generated Using Progressively Growing GANs
• Title（参考訳）: 進行成長型GANを用いた合成胸部X線の臨床リアリズムの評価
• Authors: Bradley Segal, David M. Rubin, Grace Rubin, Adam Pantanowitz
• Abstract要約: 胸部X線は多くの患者のワークアップに欠かせない道具である。 新たな診断ツールを開発するためには,ラベル付きデータの量を増やす必要がある。 これまでの研究は、イメージを合成してトレーニングデータを増強するクラス固有のGANを作成することで、これらの問題に対処しようとしてきた。
• 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: Chest x-rays are a vital tool in the workup of many patients. Similar to most medical imaging modalities, they are profoundly multi-modal and are capable of visualising a variety of combinations of conditions. There is an ever pressing need for greater quantities of labelled data to develop new diagnostic tools, however this is in direct opposition to concerns regarding patient confidentiality which constrains access through permission requests and ethics approvals. Previous work has sought to address these concerns by creating class-specific GANs that synthesise images to augment training data. These approaches cannot be scaled as they introduce computational trade offs between model size and class number which places fixed limits on the quality that such generates can achieve. We address this concern by introducing latent class optimisation which enables efficient, multi-modal sampling from a GAN and with which we synthesise a large archive of labelled generates. We apply a PGGAN to the task of unsupervised x-ray synthesis and have radiologists evaluate the clinical realism of the resultant samples. We provide an in depth review of the properties of varying pathologies seen on generates as well as an overview of the extent of disease diversity captured by the model. We validate the application of the Fr\'echet Inception Distance (FID) to measure the quality of x-ray generates and find that they are similar to other high resolution tasks. We quantify x-ray clinical realism by asking radiologists to distinguish between real and fake scans and find that generates are more likely to be classed as real than by chance, but there is still progress required to achieve true realism. We confirm these findings by evaluating synthetic classification model performance on real scans. We conclude by discussing the limitations of PGGAN generates and how to achieve controllable, realistic generates.
• Abstract（参考訳）: 胸部x線は多くの患者の作業において重要なツールである。 ほとんどの医用画像モードと同様に、それらは非常にマルチモーダルであり、様々な条件の組み合わせを可視化することができる。 新たな診断ツールを開発するために、ラベル付きデータの量を増やす必要性はますます高まっているが、これは許可要求と倫理承認によるアクセスを制限する患者の機密性に関する懸念に対する直接的な反対である。 以前の研究は、トレーニングデータを強化するためにイメージを合成するクラス固有のganを作成することで、これらの懸念に対処しようとした。 これらのアプローチは、モデルサイズとクラス番号の間の計算トレードオフを導入し、それらが生成できる品質に一定の制限を課すため、スケールできない。 本稿では,GANからの効率的なマルチモーダルサンプリングを可能にする潜在クラス最適化を導入し,ラベル付き生成された大量のアーカイブを合成することで,この問題に対処する。 PGGANを非教師的X線合成の課題に適用し, 放射線医に検査結果の臨床的リアリズムを評価した。 本研究は,本モデルにより得られた疾患の多様性の程度を概観するとともに,その病態の諸性質について詳細に検討する。 我々は、Fr'echet Inception Distance (FID) を用いて、X線生成の質を測定し、それらが他の高分解能タスクと類似していることを確認する。 我々は、放射線学者に実検と偽検を区別するよう依頼することで、X線臨床リアリズムを定量化し、生成が偶然よりもリアルに分類される可能性が高いことを発見した。 本研究は,実スキャンによる合成分類モデルの性能評価により,これらの知見を裏付けるものである。 PGGANの限界と、制御可能で現実的な生成を実現する方法について論じる。

関連論文リスト

• Latent Drifting in Diffusion Models for Counterfactual Medical Image Synthesis [55.959002385347645]
  大規模なデータセットのトレーニングによるスケーリングは、画像生成の品質と忠実度を高め、拡散モデルによる操作を可能にすることが示されている。 遅延ドリフトにより、医療画像に対して拡散モデルを条件付けし、反ファクト画像生成の複雑なタスクに適合させることができる。 本研究は,異なる微調整方式と組み合わせた場合,様々なシナリオにおいて顕著な性能向上を示すものである。
  論文  参考訳（メタデータ） (2024-12-30T01:59:34Z)
• Towards Predicting Temporal Changes in a Patient's Chest X-ray Images based on Electronic Health Records [9.398163873685798]
  本稿では,従来のCXRとその後の医療イベントを統合することで,将来のCXR画像を予測する新しいフレームワークであるEHRXDiffを提案する。 我々のフレームワークは、時間的変化を捉えた高品質で現実的な未来像を生成することを実証する。 これは、医療分野における患者のモニタリングと治療計画に有用な洞察を与える可能性がある。
  論文  参考訳（メタデータ） (2024-09-11T04:49:44Z)
• Synthetic Medical Imaging Generation with Generative Adversarial Networks For Plain Radiographs [34.98319691651471]
  本研究の目的は、再利用可能なオープンソースの合成画像生成パイプラインであるGAN画像合成ツール(GIST)を開発することである。 このパイプラインは、特定の患者に関連付けられていない高品質な合成画像データを生成することによって、デジタルヘルス空間におけるAIアルゴリズムの改善と標準化を支援する。
  論文  参考訳（メタデータ） (2024-03-28T02:51:33Z)
• VALD-MD: Visual Attribution via Latent Diffusion for Medical Diagnostics [0.0]
  医用画像における視覚的属性は、医用画像の診断関連成分を明確にすることを目指している。 本稿では、潜在拡散モデルとドメイン固有大言語モデルを組み合わせた新しい生成的視覚属性手法を提案する。 結果として生じるシステムは、ゼロショット局所化疾患誘導を含む様々な潜在能力を示す。
  論文  参考訳（メタデータ） (2024-01-02T19:51:49Z)
• Evaluating the feasibility of using Generative Models to generate Chest X-Ray Data [0.0]
  人工胸部X線画像作成のための生成モデルの有用性について検討した。 我々は,ケストX線14データセットを実験に利用し,モデルの性能評価を行った。 その結果,生成した画像は視覚的に説得力があり,分類モデルの精度向上に有効であることが示唆された。
  論文  参考訳（メタデータ） (2023-05-30T10:36:30Z)
• Vision-Language Generative Model for View-Specific Chest X-ray Generation [18.347723213970696]
  ViewXGenは、フロントビュー胸部X線を生成する既存のメソッドの制限を克服するように設計されている。 提案手法は, データセット内の多様な視線位置を考慮し, 特定の視線を用いた胸部X線の生成を可能にする。
  論文  参考訳（メタデータ） (2023-02-23T17:13:25Z)
• 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)
• Cross-Modal Contrastive Learning for Abnormality Classification and Localization in Chest X-rays with Radiomics using a Feedback Loop [63.81818077092879]
  医療画像のためのエンドツーエンドのセミスーパーバイスドクロスモーダルコントラスト学習フレームワークを提案する。 まず、胸部X線を分類し、画像特徴を生成するために画像エンコーダを適用する。 放射能の特徴は別の専用エンコーダを通過し、同じ胸部x線から生成された画像の特徴の正のサンプルとして機能する。
  論文  参考訳（メタデータ） (2021-04-11T09:16:29Z)
• Variational Knowledge Distillation for Disease Classification in Chest X-Rays [102.04931207504173]
  我々は,X線に基づく疾患分類のための新しい確率的推論フレームワークである反復的知識蒸留(VKD)を提案する。 提案手法の有効性を,X線画像とEHRを用いた3つの公開ベンチマークデータセットに示す。
  論文  参考訳（メタデータ） (2021-03-19T14:13:56Z)
• 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)
• Deep Co-Attention Network for Multi-View Subspace Learning [73.3450258002607]
  マルチビューサブスペース学習のための深層コアテンションネットワークを提案する。 共通情報と相補情報の両方を敵意で抽出することを目的としている。 特に、新しいクロス再構成損失を使用し、ラベル情報を利用して潜在表現の構築を誘導する。
  論文  参考訳（メタデータ） (2021-02-15T18:46:44Z)

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。