論文の概要: SAG-GAN: Semi-Supervised Attention-Guided GANs for Data Augmentation on
Medical Images
- arxiv url: http://arxiv.org/abs/2011.07534v1
- Date: Sun, 15 Nov 2020 14:01:24 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-25 07:30:09.687430
- Title: SAG-GAN: Semi-Supervised Attention-Guided GANs for Data Augmentation on
Medical Images
- Title(参考訳): SAG-GAN:医療画像データ強化のための半監督型注意誘導型GAN
- Authors: Chang Qi, Junyang Chen, Guizhi Xu, Zhenghua Xu, Thomas Lukasiewicz,
Yang Liu
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 47.35184075381965
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recently deep learning methods, in particular, convolutional neural networks
(CNNs), have led to a massive breakthrough in the range of computer vision.
Also, the large-scale annotated dataset is the essential key to a successful
training procedure. However, it is a huge challenge to get such datasets in the
medical domain. Towards this, we present a data augmentation method for
generating synthetic medical images using cycle-consistency Generative
Adversarial Networks (GANs). We add semi-supervised attention modules to
generate images with convincing details. We treat tumor images and normal
images as two domains. The proposed GANs-based model can generate a tumor image
from a normal image, and in turn, it can also generate a normal image from a
tumor image. Furthermore, we show that generated medical images can be used for
improving the performance of ResNet18 for medical image classification. Our
model is applied to three limited datasets of tumor MRI images. We first
generate MRI images on limited datasets, then we trained three popular
classification models to get the best model for tumor classification. Finally,
we train the classification model using real images with classic data
augmentation methods and classification models using synthetic images. The
classification results between those trained models showed that the proposed
SAG-GAN data augmentation method can boost Accuracy and AUC compare with
classic data augmentation methods. We believe the proposed data augmentation
method can apply to other medical image domains, and improve the accuracy of
computer-assisted diagnosis.
- Abstract(参考訳): 最近のディープラーニング手法、特に畳み込みニューラルネットワーク(cnns)は、コンピュータビジョンの範囲において大きなブレークスルーをもたらした。
また、大規模なアノテートデータセットは、トレーニング手順を成功させる上で必須の鍵である。
しかし、このようなデータセットを医療領域で取得することは大きな課題です。
本研究では,gans(cycle-consistency generative adversarial networks)を用いた合成医用画像生成のためのデータ拡張手法を提案する。
半教師付きアテンションモジュールを加えて、説得力のある詳細画像を生成する。
腫瘍像と正常像を2つの領域として扱う。
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。
さらに,医療画像分類におけるresnet18の性能向上のために,生成した医用画像が有効であることを示す。
腫瘍MRI画像の3つの限られたデータセットに適用した。
まず,限られたデータセットからMRI画像を生成し,腫瘍分類の最良のモデルを得るために3つの一般的な分類モデルを訓練した。
最後に,実画像を用いた分類モデルを古典的データ拡張法と合成画像を用いた分類モデルを用いて訓練する。
これらのモデルの分類結果から,提案したSAG-GANデータ拡張法により精度が向上し,AUCが従来のデータ拡張法と比較できることが示された。
提案手法は,他の医療画像領域に適用でき,コンピュータ支援診断の精度が向上すると考えられる。
関連論文リスト
- Integrating Preprocessing Methods and Convolutional Neural Networks for
Effective Tumor Detection in Medical Imaging [0.0]
本研究では,畳み込みニューラルネットワーク(CNN)を用いた医用画像における腫瘍検出のための機械学習手法を提案する。
本研究は,腫瘍検出に関連する画像の特徴を高めるための前処理技術に焦点を当て,CNNモデルの開発と訓練を行った。
医用画像中の腫瘍を正確に検出する手法の有効性を実験的に検証した。
論文 参考訳(メタデータ) (2024-02-25T23:49:05Z) - 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) - 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) - Generating 3D Brain Tumor Regions in MRI using Vector-Quantization
Generative Adversarial Networks [5.380977479547755]
本稿では、ベクトル量子化GANとマスクトークンモデリングを取り入れたトランスフォーマーを用いて、高分解能で多様な3次元脳腫瘍ROIを生成する新しいフレームワークを提案する。
提案手法は,MRIでまれな脳腫瘍の正確な診断を容易にする可能性がある。
論文 参考訳(メタデータ) (2023-10-02T14:39:10Z) - LVM-Med: Learning Large-Scale Self-Supervised Vision Models for Medical
Imaging via Second-order Graph Matching [59.01894976615714]
LVM-Medは、大規模医療データセットに基づいてトレーニングされた、最初のディープネットワークファミリーである。
55の公開データセットから約13万の医療画像を収集しました。
LVM-Medは、多くの最先端の教師付き、自己監督型、基礎モデルよりも経験的に優れている。
論文 参考訳(メタデータ) (2023-06-20T22:21:34Z) - 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) - AMIGO: Sparse Multi-Modal Graph Transformer with Shared-Context
Processing for Representation Learning of Giga-pixel Images [53.29794593104923]
本稿では,スライド病理像全体に対する共有コンテキスト処理の新たな概念を提案する。
AMIGOは、組織内のセルラーグラフを使用して、患者に単一の表現を提供する。
我々のモデルは、データの20%以下で同じ性能を達成できる程度に、欠落した情報に対して強い堅牢性を示す。
論文 参考訳(メタデータ) (2023-03-01T23:37:45Z) - Deep Learning models for benign and malign Ocular Tumor Growth
Estimation [3.1558405181807574]
臨床医はしばしば、医用画像データに適した画像処理アルゴリズムを選択する際に問題に直面している。
ここでは、適切なモデルを選択するための戦略を示す。
論文 参考訳(メタデータ) (2021-07-09T05:40:25Z) - Generative Adversarial U-Net for Domain-free Medical Image Augmentation [49.72048151146307]
注釈付き医用画像の不足は、医用画像コンピューティングの分野における最大の課題の1つだ。
本稿では,生成逆U-Netという新しい生成手法を提案する。
当社の新しいモデルは、ドメインフリーで、さまざまな医療画像に汎用性があります。
論文 参考訳(メタデータ) (2021-01-12T23:02:26Z) - Realistic Adversarial Data Augmentation for MR Image Segmentation [17.951034264146138]
医用画像セグメンテーションのためのニューラルネットワークのトレーニングのための逆データ拡張手法を提案する。
このモデルでは,MR画像における共通の種類のアーチファクトによって生じる強度不均一性,すなわちバイアス場をモデル化する。
このような手法により,モデルの一般化と堅牢性の向上が図られ,低データシナリオにおける大幅な改善が期待できる。
論文 参考訳(メタデータ) (2020-06-23T20:43:18Z)
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。