論文の概要: Soft-Label Anonymous Gastric X-ray Image Distillation

• arxiv url: http://arxiv.org/abs/2104.02857v2
• Date: Thu, 21 Mar 2024 03:21:34 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-22 20:55:19.495973
• Title: Soft-Label Anonymous Gastric X-ray Image Distillation
• Title（参考訳）: ソフトラベル無名胃X線画像蒸留
• Authors: Guang Li, Ren Togo, Takahiro Ogawa, Miki Haseyama,
• Abstract要約: 本稿では,勾配降下法に基づく軟式ラベル匿名胃X線画像蒸留法を提案する。 実験の結果,提案手法は医療データセットを効果的に圧縮するだけでなく,患者の個人情報を保護するために医療画像の匿名化も可能であることがわかった。
• 参考スコア（独自算出の注目度）: 49.24576562557866
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper presents a soft-label anonymous gastric X-ray image distillation method based on a gradient descent approach. The sharing of medical data is demanded to construct high-accuracy computer-aided diagnosis (CAD) systems. However, the large size of the medical dataset and privacy protection are remaining problems in medical data sharing, which hindered the research of CAD systems. The idea of our distillation method is to extract the valid information of the medical dataset and generate a tiny distilled dataset that has a different data distribution. Different from model distillation, our method aims to find the optimal distilled images, distilled labels and the optimized learning rate. Experimental results show that the proposed method can not only effectively compress the medical dataset but also anonymize medical images to protect the patient's private information. The proposed approach can improve the efficiency and security of medical data sharing.
• Abstract（参考訳）: 本稿では,勾配降下法に基づく軟式ラベル匿名胃X線画像蒸留法を提案する。 医療データの共有は、コンピュータ支援診断(CAD)システムを構築するために要求される。 しかし、医療データセットの大規模化とプライバシ保護は、CADシステムの研究を妨げる医療データ共有に問題を残している。 蒸留法の目的は,医療データセットの有効情報を抽出し,異なるデータ分布を持つ小さな蒸留データセットを生成することである。 本手法は, モデル蒸留と異なり, 最適な蒸留画像, 蒸留ラベル, 最適化学習率を求める。 実験の結果,提案手法は医療データセットを効果的に圧縮するだけでなく,患者の個人情報を保護するために医療画像の匿名化も可能であることがわかった。 提案手法は医療データ共有の効率性と安全性を向上させることができる。

関連論文リスト

• Dataset Distillation in Medical Imaging: A Feasibility Study [16.44272552893816]
  医療画像解析分野におけるデータの共有は、まだ未承認のままである。 可能な解決策の1つは、同様のモデルパフォーマンスを保ちながら、データセット全体の転送を避けることである。 コンピュータ科学におけるデータ蒸留の最近の進歩は、医療データを効率的に共有する有望な可能性を示している。
  論文  参考訳（メタデータ） (2024-07-19T15:59:04Z)
• Integration of Self-Supervised BYOL in Semi-Supervised Medical Image Recognition [10.317372960942972]
  本稿では,自己教師付き学習を半教師付きモデルに統合し,医用画像認識を向上する,革新的なアプローチを提案する。 提案手法はラベルのないデータを最適に活用し,医用画像認識の精度で既存の手法より優れている。
  論文  参考訳（メタデータ） (2024-04-16T09:12:16Z)
• Radiology Report Generation Using Transformers Conditioned with Non-imaging Data [55.17268696112258]
  本稿では,胸部X線画像と関連する患者の人口統計情報を統合したマルチモーダルトランスフォーマーネットワークを提案する。 提案ネットワークは、畳み込みニューラルネットワークを用いて、CXRから視覚的特徴を抽出し、その視覚的特徴と患者の人口統計情報のセマンティックテキスト埋め込みを組み合わせたトランスフォーマーベースのエンコーダデコーダネットワークである。
  論文  参考訳（メタデータ） (2023-11-18T14:52:26Z)
• 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)
• Compressed Gastric Image Generation Based on Soft-Label Dataset Distillation for Medical Data Sharing [38.65823547986758]
  医療データセットの大規模、保存された深層畳み込みニューラルネットワーク(DCNN)モデルの膨大なメモリ、患者のプライバシ保護は、非効率な医療データ共有につながる問題である。 本研究では,医療データ共有のための新しいソフトラベルデータセット蒸留法を提案する。
  論文  参考訳（メタデータ） (2022-09-29T08:52:04Z)
• Dataset Distillation for Medical Dataset Sharing [38.65823547986758]
  データセットの蒸留は、トレーニングされたモデルが元の大きなデータセットと同等のパフォーマンスを達成するように、小さなデータセットを合成することができる。 新型コロナウイルスの胸部X線画像データセットによる実験結果から,胸部X線画像が不足していても高い検出性能が得られた。
  論文  参考訳（メタデータ） (2022-09-29T07:49:20Z)
• PCA: Semi-supervised Segmentation with Patch Confidence Adversarial Training [52.895952593202054]
  医用画像セグメンテーションのためのPatch Confidence Adrial Training (PCA) と呼ばれる半教師付き対向法を提案する。 PCAは各パッチの画素構造とコンテキスト情報を学習し、十分な勾配フィードバックを得る。 本手法は, 医用画像のセグメンテーションにおいて, 最先端の半教師付き手法より優れており, その有効性を示している。
  論文  参考訳（メタデータ） (2022-07-24T07:45:47Z)
• Self-Supervised Learning as a Means To Reduce the Need for Labeled Data in Medical Image Analysis [64.4093648042484]
  胸部X線画像のデータセットとバウンディングボックスラベルを用いて,13種類の異常の分類を行った。 ラベル付きデータの平均精度と精度を60%に抑えることで,完全教師付きモデルと同等の性能が得られることを示す。
  論文  参考訳（メタデータ） (2022-06-01T09:20:30Z)
• Incremental Cross-view Mutual Distillation for Self-supervised Medical CT Synthesis [88.39466012709205]
  本稿では,スライス間の分解能を高めるために,新しい医療スライスを構築した。 臨床実践において, 根本・中間医療スライスは常に欠落していることを考慮し, 相互蒸留の段階的相互蒸留戦略を導入する。 提案手法は,最先端のアルゴリズムよりも明確なマージンで優れる。
  論文  参考訳（メタデータ） (2021-12-20T03:38:37Z)
• 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)

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。