論文の概要: Pathology-Aware Generative Adversarial Networks for Medical Image Augmentation

• arxiv url: http://arxiv.org/abs/2106.01915v1
• Date: Thu, 3 Jun 2021 15:08:14 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-04 16:20:25.234811
• Title: Pathology-Aware Generative Adversarial Networks for Medical Image Augmentation
• Title（参考訳）: 医用画像拡張のための病的適応型ネットワーク
• Authors: Changhee Han
• Abstract要約: GAN(Generative Adversarial Networks)は、現実的だが斬新なサンプルを生成し、実際の画像分布を効果的にカバーする。 この論文は、医師とのコラボレーションにおいて、そのような新しい応用の臨床的意義を提示することを目的とした4つのGANプロジェクトを含んでいる。
• 参考スコア（独自算出の注目度）: 0.22843885788439805
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Convolutional Neural Networks (CNNs) can play a key role in Medical Image Analysis under large-scale annotated datasets. However, preparing such massive dataset is demanding. In this context, Generative Adversarial Networks (GANs) can generate realistic but novel samples, and thus effectively cover the real image distribution. In terms of interpolation, the GAN-based medical image augmentation is reliable because medical modalities can display the human body's strong anatomical consistency at fixed position while clearly reflecting inter-subject variability; thus, we propose to use noise-to-image GANs (e.g., random noise samples to diverse pathological images) for (i) medical Data Augmentation (DA) and (ii) physician training. Regarding the DA, the GAN-generated images can improve Computer-Aided Diagnosis based on supervised learning. For the physician training, the GANs can display novel desired pathological images and help train medical trainees despite infrastructural/legal constraints. This thesis contains four GAN projects aiming to present such novel applications' clinical relevance in collaboration with physicians. Whereas the methods are more generally applicable, this thesis only explores a few oncological applications.
• Abstract（参考訳）: 畳み込みニューラルネットワーク(CNN)は、大規模アノテートデータセットの下で、医療画像解析において重要な役割を果たす。 しかし、そのような膨大なデータセットを作成する必要がある。 この文脈では、GAN(Generative Adversarial Networks)は現実的だが斬新なサンプルを生成し、実際の画像分布を効果的にカバーすることができる。 補間の観点からは, 医用モダリティは, 物体間変動性を明瞭に反映しつつ, 人体の強い解剖的整合性を示すことができるため, 医用データ拡張(DA) と (II) 医用データ増強(DA) に対して, ノイズ・ツー・イメージのGAN(例えば, 多様な病理画像に対するランダムノイズサンプル) を用いることを提案する。 DAに関して、GAN生成画像は教師付き学習に基づいてコンピュータ支援診断を改善することができる。 医師の訓練では、ganは、新しい望ましい病理像を表示し、インフラや法的制約にもかかわらず、医療訓練者を訓練することができる。 この論文は、医師とのコラボレーションにおいて、そのような新しい応用の臨床的意義を示すための4つのGANプロジェクトを含んでいる。 これらの方法がより一般的に適用できるのに対して、この論文はいくつかのオンコロジーな応用を探求するだけである。

関連論文リスト

• Medical Imaging Complexity and its Effects on GAN Performance [1.776717121506676]
  医用医用画像合成は, 画像合成のための強力な手法として, GAN (Generative Adversarial Network) による医用画像合成が登場した。 サンプルデータセットサイズと生成された画像の忠実度との関係を計測するベンチマークを実験的に確立する。 サンプルサイズが変化する複数の医用画像データセットをトレーニングした,最先端の2つのGANであるStyleGAN 3とSPADE-GANを用いて実験を行った。
  論文  参考訳（メタデータ） (2024-10-23T15:28:25Z)
• Applying Conditional Generative Adversarial Networks for Imaging Diagnosis [3.881664394416534]
  本研究は、スタックド・ホアーグラス・ネットワーク(SHGN)と統合されたコンディショナル・ジェネレーション・アドバイザリアル・ネットワーク(C-GAN)の革新的な応用を紹介する。 我々は、複雑な画像データセットに適用されるディープラーニングモデルに共通するオーバーフィッティングの問題に、回転とスケーリングを通じてデータを増大させることで対処する。 血管内超音波(IVUS)画像において,L1とL2再構成損失を併用したハイブリッド損失関数を導入する。
  論文  参考訳（メタデータ） (2024-07-17T23:23:09Z)
• A Domain Translation Framework with an Adversarial Denoising Diffusion Model to Generate Synthetic Datasets of Echocardiography Images [0.5999777817331317]
  臨床研究に好適な心エコー画像を作成するための枠組みを提案する。 いくつかのドメイン翻訳操作において、このような生成モデルによって高品質な画像サンプルを合成できることが確認された。
  論文  参考訳（メタデータ） (2024-03-07T15:58:03Z)
• 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)
• GANs for Medical Image Synthesis: An Empirical Study [12.36854197042851]
  GAN(Generative Adversarial Networks)はますます強力になり、心躍るフォトリアリズム画像を生み出しています。 本稿では,医療画像におけるGANのメリットを評価するために,マルチGANおよびマルチアプリケーション研究を行う。
  論文  参考訳（メタデータ） (2021-05-11T19:21:39Z)
• Deep Co-Attention Network for Multi-View Subspace Learning [73.3450258002607]
  マルチビューサブスペース学習のための深層コアテンションネットワークを提案する。 共通情報と相補情報の両方を敵意で抽出することを目的としている。 特に、新しいクロス再構成損失を使用し、ラベル情報を利用して潜在表現の構築を誘導する。
  論文  参考訳（メタデータ） (2021-02-15T18:46:44Z)
• 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)
• Few-shot Medical Image Segmentation using a Global Correlation Network with Discriminative Embedding [60.89561661441736]
  医療画像分割のための新しい手法を提案する。 深層畳み込みネットワークを用いた数ショット画像セグメンタを構築します。 深層埋め込みの識別性を高め,同一クラスの特徴領域のクラスタリングを促進する。
  論文  参考訳（メタデータ） (2020-12-10T04:01:07Z)
• Explaining Clinical Decision Support Systems in Medical Imaging using Cycle-Consistent Activation Maximization [112.2628296775395]
  ディープニューラルネットワークを用いた臨床意思決定支援は、着実に関心が高まりつつあるトピックとなっている。 臨床医は、その根底にある意思決定プロセスが不透明で理解しにくいため、この技術の採用をためらうことが多い。 そこで我々は,より小さなデータセットであっても,分類器決定の高品質な可視化を生成するCycleGANアクティベーションに基づく,新たな意思決定手法を提案する。
  論文  参考訳（メタデータ） (2020-10-09T14:39:27Z)
• Domain Generalization for Medical Imaging Classification with Linear-Dependency Regularization [59.5104563755095]
  本稿では,医用画像分類分野におけるディープニューラルネットワークの一般化能力向上のための,シンプルだが効果的なアプローチを提案する。 医用画像の領域変数がある程度コンパクトであることに感銘を受けて,変分符号化による代表的特徴空間の学習を提案する。
  論文  参考訳（メタデータ） (2020-09-27T12:30:30Z)
• Medical Image Generation using Generative Adversarial Networks [0.0]
  GAN(Generative Adversarial Network)は、コンピュータビジョンコミュニティにおいて、教師なしのディープラーニングアプローチである。 GANはリアルな医療画像とそれに対応するアノテーションを生成する。 Deep Convolutional GAN (DCGAN)、Laplacian GAN (LAPGAN)、Pix2pix、CycleGAN、unsupervised image-to-image translation model (UNIT)など、医学画像の解釈で人気を得たガンの様々なフレームワーク
  論文  参考訳（メタデータ） (2020-05-19T20:31:57Z)

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。