論文の概要: GAN-Based Data Augmentation and Anonymization for Skin-Lesion Analysis: A Critical Review

• arxiv url: http://arxiv.org/abs/2104.10603v1
• Date: Tue, 20 Apr 2021 12:47:22 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-23 03:26:18.691660
• Title: GAN-Based Data Augmentation and Anonymization for Skin-Lesion Analysis: A Critical Review
• Title（参考訳）: GANによる皮膚病変解析のためのデータ拡張と匿名化:批判的レビュー
• Authors: Alceu Bissoto, Eduardo Valle, Sandra Avila
• Abstract要約: GAN(Generative Adversarial Networks)は、実際の画像と区別できないサンプルを合成することによって、問題を緩和するための魅力的な代替手段として現れる。 しかし,ganデータ拡張を用いた皮膚結節診断のための慎重に設計した実験では,分布外テストセットでのみ良好な結果が得られた。 GANの使用に伴うコストとリスクのために、これらの結果は、医療用途への採用に注意を促します。
• 参考スコア（独自算出の注目度）: 15.804119156652447
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Despite the growing availability of high-quality public datasets, the lack of training samples is still one of the main challenges of deep-learning for skin lesion analysis. Generative Adversarial Networks (GANs) appear as an enticing alternative to alleviate the issue, by synthesizing samples indistinguishable from real images, with a plethora of works employing them for medical applications. Nevertheless, carefully designed experiments for skin-lesion diagnosis with GAN-based data augmentation show favorable results only on out-of-distribution test sets. For GAN-based data anonymization $-$ where the synthetic images replace the real ones $-$ favorable results also only appear for out-of-distribution test sets. Because of the costs and risks associated with GAN usage, those results suggest caution in their adoption for medical applications.
• Abstract（参考訳）: 高品質な公開データセットが利用可能になっているにもかかわらず、トレーニングサンプルの欠如は、皮膚病変解析におけるディープラーニングの主な課題の1つである。 GAN(Generative Adversarial Networks)は、実際の画像と区別できないサンプルを合成することで、問題を緩和するための魅力的な代替手段として現れる。 それにもかかわらず、GANベースのデータ拡張による皮膚病変診断のための慎重に設計された実験は、配布外テストセットでのみ好ましい結果を示す。 GANベースのデータ匿名化$-$では、合成画像が実際の画像を置き換える$-$は、配布外テストセットにのみ表示される。 ganの使用に伴うコストとリスクのため、これらの結果は医療への応用に注意を喚起する。

関連論文リスト

• ArSDM: Colonoscopy Images Synthesis with Adaptive Refinement Semantic Diffusion Models [69.9178140563928]
  大腸内視鏡検査は臨床診断や治療に不可欠である。 注釈付きデータの不足は、既存の手法の有効性と一般化を制限する。 本稿では, 下流作業に有用な大腸内視鏡画像を生成するために, 適応Refinement Semantic Diffusion Model (ArSDM)を提案する。
  論文  参考訳（メタデータ） (2023-09-03T07:55:46Z)
• Generative Adversarial Networks for Data Augmentation [0.0]
  GANは、データ拡張、画像生成、ドメイン適応など、さまざまなタスクで医療画像解析に利用されてきた。 GANは利用可能なデータセットを増やすために使用できる合成サンプルを生成することができる。 医用画像におけるGANの使用は, 画像が高品質で, 臨床現場での使用に適していることを保証するために, 依然として研究の活発な領域である点に留意する必要がある。
  論文  参考訳（メタデータ） (2023-06-03T06:33:33Z)
• Generative models improve fairness of medical classifiers under distribution shifts [49.10233060774818]
  データから現実的な拡張を自動的に学習することは、生成モデルを用いてラベル効率の良い方法で可能であることを示す。 これらの学習の強化は、モデルをより堅牢で統計的に公平に配布できることを示した。
  論文  参考訳（メタデータ） (2023-04-18T18:15:38Z)
• Leveraging GANs for data scarcity of COVID-19: Beyond the hype [1.0957528713294873]
  人工知能(AI)ベースのモデルは、肺CTスキャンやX線画像から新型コロナウイルスを診断するのに役立つ。 多くの研究者が、合成肺CTスキャンとX線画像を作成するためにGeneversa Adrative Networks(GANs)を研究した。 信頼性の高い合成データを生成するために, GAN ベースの手法がいかに優れているかは明らかにされていない。
  論文  参考訳（メタデータ） (2023-04-07T08:26:12Z)
• The (de)biasing effect of GAN-based augmentation methods on skin lesion images [3.441021278275805]
  新しい医学データセットは、学習プロセスに影響を与える刺激的な相関の源であるかもしれない。 データ不均衡を軽減する1つのアプローチは、GAN(Generative Adversarial Networks)によるデータ拡張である。 この研究は、それらのバイアス継承と合成データがモデルにどのように影響するかを比較するために、無条件および条件付きGANを探索した。
  論文  参考訳（メタデータ） (2022-06-30T10:32:35Z)
• ReSmooth: Detecting and Utilizing OOD Samples when Training with Data Augmentation [57.38418881020046]
  最近のDA技術は、常に強化トレーニングサンプルの多様性の必要性を満たす。 多様性の高い増分戦略は、通常、アウト・オブ・ディストリビューション(OOD)の増分サンプルを導入する。 ReSmoothは、まず、拡張サンプル中のOODサンプルを検知し、それらを活用するフレームワークである。
  論文  参考訳（メタデータ） (2022-05-25T09:29:27Z)
• GAN-based Data Augmentation for Chest X-ray Classification [0.0]
  Generative Adrialversa Networks (GANs) は、合成データ拡張の新しい方法を提供する。 GANベースの拡張により、表現不足のクラスでは、よりダウンストリームのパフォーマンスが向上する。 これは、データ収集が違法に高価である場合にネットワーク性能を向上させるため、GANベースの拡張が有望な研究領域であることを示唆している。
  論文  参考訳（メタデータ） (2021-07-07T01:36:48Z)
• Bootstrapping Your Own Positive Sample: Contrastive Learning With Electronic Health Record Data [62.29031007761901]
  本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。 EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。 私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
  論文  参考訳（メタデータ） (2021-04-07T06:02:04Z)
• Negative Data Augmentation [127.28042046152954]
  負のデータ拡張サンプルは、データ分散のサポートに関する情報を提供することを示す。 我々は、NDAを識別器の合成データの追加源として利用する新しいGAN訓練目標を提案する。 実験により,本手法で訓練したモデルでは,異常検出能力の向上とともに条件付き・条件付き画像生成の改善を実現している。
  論文  参考訳（メタデータ） (2021-02-09T20:28:35Z)
• Overcoming Barriers to Data Sharing with Medical Image Generation: A Comprehensive Evaluation [17.983449515155414]
  我々は、GAN(Generative Adversarial Networks)を用いて、合成患者データからなる医用画像データセットを作成する。 合成画像は、理想的には、ソースデータセットと類似した統計特性を持つが、機密性の高い個人情報は含まない。 合成画像の品質は、合成データセットと実データセットの両方で訓練された予測モデルの性能差によって測定する。
  論文  参考訳（メタデータ） (2020-11-29T15:41:46Z)
• Hemogram Data as a Tool for Decision-making in COVID-19 Management: Applications to Resource Scarcity Scenarios [62.997667081978825]
  新型コロナウイルス(COVID-19)のパンデミックは世界中の緊急対応システムに挑戦している。 本研究は, 症状患者の血液検査データから得られた機械学習モデルについて述べる。 提案されたモデルでは、新型コロナウイルスqRT-PCRの結果を、高い精度、感度、特異性で症状のある個人に予測することができる。
  論文  参考訳（メタデータ） (2020-05-10T01:45:03Z)

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。