論文の概要: Principled Ultrasound Data Augmentation for Classification of Standard Planes

• arxiv url: http://arxiv.org/abs/2103.07895v1
• Date: Sun, 14 Mar 2021 11:20:31 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-17 05:33:46.259002
• Title: Principled Ultrasound Data Augmentation for Classification of Standard Planes
• Title（参考訳）: 標準平面の分類のための原理的超音波データ拡張
• Authors: Lok Hin Lee and Yuan Gao and J. Alison Noble
• Abstract要約: 本論文では,モデル分類性能向上を目的とした増補方針探索法を提案する。 医用画像モデルの訓練における原理的データ拡張は超音波標準平面検出の大幅な改善をもたらす可能性がある。
• 参考スコア（独自算出の注目度）: 9.072773240485946
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep learning models with large learning capacities often overfit to medical imaging datasets. This is because training sets are often relatively small due to the significant time and financial costs incurred in medical data acquisition and labelling. Data augmentation is therefore often used to expand the availability of training data and to increase generalization. However, augmentation strategies are often chosen on an ad-hoc basis without justification. In this paper, we present an augmentation policy search method with the goal of improving model classification performance. We include in the augmentation policy search additional transformations that are often used in medical image analysis and evaluate their performance. In addition, we extend the augmentation policy search to include non-linear mixed-example data augmentation strategies. Using these learned policies, we show that principled data augmentation for medical image model training can lead to significant improvements in ultrasound standard plane detection, with an an average F1-score improvement of 7.0% overall over naive data augmentation strategies in ultrasound fetal standard plane classification. We find that the learned representations of ultrasound images are better clustered and defined with optimized data augmentation.
• Abstract（参考訳）: 大きな学習能力を持つディープラーニングモデルは、しばしば医療画像データセットに適合する。 これは、医療データ取得やラベル付けで生じるかなりの時間と費用のために、トレーニングセットが比較的小さいためである。 したがって、データ拡張はトレーニングデータの可用性を拡大し、一般化を促進するためにしばしば用いられる。 しかし、拡張戦略はしばしば正当化なしでアドホックに選択される。 本稿では,モデル分類性能の向上を目的とした拡張ポリシー探索手法を提案する。 我々は,医療画像解析によく用いられる追加の変換を補完ポリシー検索に含め,その性能を評価する。 さらに,非線形混合サンプルデータ拡張戦略を含むように拡張ポリシー検索を拡張した。 本研究では、超音波標準平面分類におけるナイーブデータ増強戦略よりも平均F1スコアが7.0%向上し、医学的画像モデルトレーニングのための原則的データ増強が超音波標準平面検出の大幅な改善につながることを示した。 得られた超音波画像の表現は、よりよくクラスタ化され、最適化されたデータ拡張で定義される。

関連論文リスト

• 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)
• 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)
• A Critical Appraisal of Data Augmentation Methods for Imaging-Based Medical Diagnosis Applications [1.5971609833629297]
  最適なデータ拡張は、医学的イメージを歪ませたり妨害したりすることができ、患者の診断、予測、治療・外科的評価において偽陽性または否定を引き起こす。 医用画像におけるプラグ・アンド・プレイ方式では, 一般的なデータ拡張法は使用できないこと, 手動のチューニングや調整が必要であることが観察された。
  論文  参考訳（メタデータ） (2022-12-14T14:26:39Z)
• Improved Techniques for the Conditional Generative Augmentation of Clinical Audio Data [36.45569352490318]
  本稿では,学習したデータ分布からメルスペクトルを合成できる条件付き逆方向ニューラルネットワークによる拡張法を提案する。 提案手法は,従来の音質向上手法よりも優れていることを示す。 提案モデルは,臨床オーディオデータの増大における最先端の進歩と,臨床音響センシングシステムの設計におけるデータのボトルネックを改善する。
  論文  参考訳（メタデータ） (2022-11-05T10:58:04Z)
• Conditional Generative Data Augmentation for Clinical Audio Datasets [36.45569352490318]
  本稿では,重み付き条件付きWasserstein Generative Adversarial Networkに基づく臨床オーディオデータセットのための新しいデータ拡張手法を提案する。 本手法を検証するため,THA(Total Hipplasty)手術中に実世界の手術室で記録された臨床オーディオデータセットを作成した。 生成した強化サンプルによるトレーニングは、分類精度の点で古典的な音声強調法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-03-22T09:47:31Z)
• 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)
• Evaluation of Complexity Measures for Deep Learning Generalization in Medical Image Analysis [77.34726150561087]
  PAC-ベイズ平坦度とパスノルムに基づく測度は、モデルとデータの組み合わせについて最も一貫した説明をもたらす。 また,乳房画像に対するマルチタスク分類とセグメンテーションのアプローチについても検討した。
  論文  参考訳（メタデータ） (2021-03-04T20:58:22Z)
• Adaptive Weighting Scheme for Automatic Time-Series Data Augmentation [79.47771259100674]
  データ拡張のための2つのサンプル適応自動重み付けスキームを提案する。 提案手法を大規模でノイズの多い財務データセットとUCRアーカイブからの時系列データセット上で検証する。 金融データセットでは、取引戦略と組み合わせた手法が50 $%$以上の年間収益の改善につながることを示し、時系列データでは、データセットの半分以上で最新モデルを上回るパフォーマンスを発揮し、他のものと同様の精度を達成しています。
  論文  参考訳（メタデータ） (2021-02-16T17:50:51Z)
• Automatic Data Augmentation for 3D Medical Image Segmentation [37.262350163905445]
  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。
  論文  参考訳（メタデータ） (2020-10-07T12:51:17Z)
• 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)
• Greedy Policy Search: A Simple Baseline for Learnable Test-Time Augmentation [65.92151529708036]
  我々は,テスト時間拡張のポリシーを学習するための簡易かつ高性能な方法として,greedy Policy Search (GPS)を導入した。 画像分類問題においてGPSで学習した拡張ポリシーが優れた予測性能を実現することを実証する。
  論文  参考訳（メタデータ） (2020-02-21T02:57:13Z)

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。