論文の概要: Automatic Data Augmentation for 3D Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2010.11695v2
• Date: Sun, 27 Dec 2020 10:56:02 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-10 00:05:25.033943
• Title: Automatic Data Augmentation for 3D Medical Image Segmentation
• Title（参考訳）: 3次元医用画像分割のための自動データ拡張
• Authors: Ju Xu, Mengzhang Li, Zhanxing Zhu
• Abstract要約: 医用画像分割作業において、識別可能な自動データ拡張が採用されたのは、これが初めてである。 我々の数値実験により,提案手法は,最先端モデルの既存のビルトインデータ拡張を著しく上回っていることが示された。
• 参考スコア（独自算出の注目度）: 37.262350163905445
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Data augmentation is an effective and universal technique for improving generalization performance of deep neural networks. It could enrich diversity of training samples that is essential in medical image segmentation tasks because 1) the scale of medical image dataset is typically smaller, which may increase the risk of overfitting; 2) the shape and modality of different objects such as organs or tumors are unique, thus requiring customized data augmentation policy. However, most data augmentation implementations are hand-crafted and suboptimal in medical image processing. To fully exploit the potential of data augmentation, we propose an efficient algorithm to automatically search for the optimal augmentation strategies. We formulate the coupled optimization w.r.t. network weights and augmentation parameters into a differentiable form by means of stochastic relaxation. This formulation allows us to apply alternative gradient-based methods to solve it, i.e. stochastic natural gradient method with adaptive step-size. To the best of our knowledge, it is the first time that differentiable automatic data augmentation is employed in medical image segmentation tasks. Our numerical experiments demonstrate that the proposed approach significantly outperforms existing build-in data augmentation of state-of-the-art models.
• Abstract（参考訳）: データ拡張はディープニューラルネットワークの一般化性能を改善するための効果的で普遍的な手法である。 医用画像分割タスクに不可欠なトレーニングサンプルの多様性を高めることができる。 1) 医用画像データセットの規模は一般的に小さく、過度に適合するリスクが増大する可能性がある。 2) 臓器や腫瘍などの異なる物体の形状やモダリティは独特であり, カスタマイズされたデータ拡張ポリシーが必要である。 しかし、ほとんどのデータ拡張実装は手作りであり、医療画像処理に最適である。 データ拡張の可能性を完全に活用するために,最適な拡張戦略を自動検索する効率的なアルゴリズムを提案する。 ネットワーク重みと拡張パラメータの結合最適化を確率的緩和により微分可能な形式に定式化する。 この定式化により,適応ステップサイズを持つ確率的自然勾配法のような,代替的な勾配に基づく手法を適用できる。 我々の知る限り、医療画像分割作業において、識別可能な自動データ拡張が採用されたのは初めてである。 数値実験により,提案手法が既存の最新モデルの組込みデータ拡張を大幅に上回ることを示した。

関連論文リスト

• EMIT-Diff: Enhancing Medical Image Segmentation via Text-Guided Diffusion Model [4.057796755073023]
  EMIT-Diffと呼ばれる医用画像合成のための制御可能な拡散モデルを開発した。 近年の拡散確率モデルを利用して、現実的で多様な合成医用画像データを生成する。 提案手法では, 合成試料が医療上の制約に適合することを確実にする。
  論文  参考訳（メタデータ） (2023-10-19T16:18:02Z)
• RangeAugment: Efficient Online Augmentation with Range Learning [54.61514286212455]
  RangeAugmentは、個々の大きさと複合オーグメンテーション操作を効率よく学習する。 本研究では,RangeAugmentの4～5倍の精度で,最先端自動拡張手法の競争性能が向上することを示す。
  論文  参考訳（メタデータ） (2022-12-20T18:55:54Z)
• Local Magnification for Data and Feature Augmentation [53.04028225837681]
  LOMA(Local Magnification)と呼ばれる,実装が容易かつモデルフリーなデータ拡張手法を提案する。 LOMAは、画像の局所領域をランダムに拡大することにより、追加のトレーニングデータを生成する。 実験の結果,提案するLOMAと標準データ拡張を組み合わせることで,画像分類や物体検出の性能を大幅に向上させることができることがわかった。
  論文  参考訳（メタデータ） (2022-11-15T02:51:59Z)
• Random Data Augmentation based Enhancement: A Generalized Enhancement Approach for Medical Datasets [8.844562557753399]
  本稿では、DLの医療データ品質を改善するために、一般化された、データに依存しない、効率的な拡張手法を開発する。 画質は、画像の明るさとコントラストを改善することで向上する。 新型コロナウイルスの胸部X線、KiTS19、LC25000データセットによるRGB画像の実験が実施されている。
  論文  参考訳（メタデータ） (2022-10-03T11:16:22Z)
• TeachAugment: Data Augmentation Optimization Using Teacher Knowledge [11.696069523681178]
  本稿では,TeachAugment と呼ばれる逆戦略に基づくデータ拡張最適化手法を提案する。 画像分類,セマンティックセグメンテーション,教師なし表現学習において,TeachAugmentは既存の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-02-25T06:22:51Z)
• Smart(Sampling)Augment: Optimal and Efficient Data Augmentation for Semantic Segmentation [68.8204255655161]
  セマンティックイメージセグメンテーションに関する最初の研究を行い、textitSmartAugment と textitSmartSamplingAugment の2つの新しいアプローチを紹介した。 SmartAugmentはベイジアン最適化を使用して、拡張戦略の豊富なスペースを探索し、私たちが考慮しているすべてのセマンティックセグメンテーションタスクにおいて、新しい最先端のパフォーマンスを達成する。 SmartSamplingAugmentは、固定的な拡張戦略を備えたシンプルなパラメータフリーのアプローチで、既存のリソース集約型アプローチとパフォーマンスを競い合い、安価な最先端データ拡張手法を上回っている。
  論文  参考訳（メタデータ） (2021-10-31T13:04:45Z)
• Enhancing MR Image Segmentation with Realistic Adversarial Data Augmentation [17.539828821476224]
  本稿では,学習データの利用効率を向上させるために,逆データ拡張手法を提案する。 本稿では,データ拡張モデルとセグメンテーションネットワークを協調的に最適化する汎用的なタスク駆動学習フレームワークを提案する。 提案した逆データ拡張は生成ネットワークに依存しず,汎用セグメンテーションネットワークのプラグインモジュールとして使用できる。
  論文  参考訳（メタデータ） (2021-08-07T11:32:37Z)
• Enabling Data Diversity: Efficient Automatic Augmentation via Regularized Adversarial Training [9.39080195887973]
  2つのmin-max目標と3つの微分可能な拡張モデルを用いて,正規化逆学習フレームワークを提案する。 2次元皮膚がん分類と3次元臓器分画の両方において,最先端の自己指示法よりも優れた性能を実現する。
  論文  参考訳（メタデータ） (2021-03-30T16:49:20Z)
• 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)
• Automatic Data Augmentation via Deep Reinforcement Learning for Effective Kidney Tumor Segmentation [57.78765460295249]
  医用画像セグメンテーションのための新しい学習ベースデータ拡張法を開発した。 本手法では,データ拡張モジュールと後続のセグメンテーションモジュールをエンドツーエンドのトレーニング方法で一貫した損失と,革新的に組み合わせる。 提案法の有効性を検証したCT腎腫瘍分節法について,本法を広範囲に評価した。
  論文  参考訳（メタデータ） (2020-02-22T14:10:13Z)

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。