論文の概要: TumorCP: A Simple but Effective Object-Level Data Augmentation for Tumor Segmentation

• arxiv url: http://arxiv.org/abs/2107.09843v1
• Date: Wed, 21 Jul 2021 02:26:50 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-22 14:15:44.051779
• Title: TumorCP: A Simple but Effective Object-Level Data Augmentation for Tumor Segmentation
• Title（参考訳）: tumorCP: 腫瘍分離のための単純だが効果的なオブジェクトレベルデータ拡張
• Authors: Jiawei Yang, Yao Zhang, Yuan Liang, Yang Zhang, Lei He, and Zhiqiang He
• Abstract要約: tumorCPは、腫瘍のセグメンテーションに適した、単純だが効果的なオブジェクトレベルのデータ拡張法である。 腎臓腫瘍セグメンテーションタスクの実験では、腫瘍CPが強いベースラインを7.12%超えることが示されている。 腫瘍CPは、極めて低データのレギュレーションにおいて顕著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）: 20.02697042193913
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Deep learning models are notoriously data-hungry. Thus, there is an urging need for data-efficient techniques in medical image analysis, where well-annotated data are costly and time consuming to collect. Motivated by the recently revived "Copy-Paste" augmentation, we propose TumorCP, a simple but effective object-level data augmentation method tailored for tumor segmentation. TumorCP is online and stochastic, providing unlimited augmentation possibilities for tumors' subjects, locations, appearances, as well as morphologies. Experiments on kidney tumor segmentation task demonstrate that TumorCP surpasses the strong baseline by a remarkable margin of 7.12% on tumor Dice. Moreover, together with image-level data augmentation, it beats the current state-of-the-art by 2.32% on tumor Dice. Comprehensive ablation studies are performed to validate the effectiveness of TumorCP. Meanwhile, we show that TumorCP can lead to striking improvements in extremely low-data regimes. Evaluated with only 10% labeled data, TumorCP significantly boosts tumor Dice by 21.87%. To the best of our knowledge, this is the very first work exploring and extending the "Copy-Paste" design in medical imaging domain. Code is available at: https://github.com/YaoZhang93/TumorCP.
• Abstract（参考訳）: ディープラーニングモデルは、データ不足で有名だ。 したがって、医用画像分析におけるデータ効率のよい技術の必要性が高まっており、十分な注釈付きデータは費用がかかり、収集に要する時間がかかる。 最近復活した "Copy-Paste" 拡張を契機に,腫瘍のセグメンテーションに適した簡便かつ効果的なオブジェクトレベルのデータ拡張法である tumorCP を提案する。 tumorcpはオンラインかつ確率的であり、腫瘍の被検者、場所、外観、形態について無制限に拡張できる。 腎腫瘍セグメンテーションタスクの実験では、腫瘍CPが強いベースラインを7.12%の差で越えていることが示されている。 さらに、画像レベルのデータ拡張と合わせて、腫瘍のダイスで現在の最先端を2.32%上回っている。 腫瘍CPの有効性を検証するための包括的アブレーション研究を行った。 一方,腫瘍CPは極めて低データ状態において顕著な改善をもたらす可能性が示唆された。 10%のラベル付きデータで評価すると、腫瘍CPは腫瘍のDiceを21.87%増加させる。 私たちの知る限りでは、医療画像領域における「コピー・ペースト」デザインの探求と拡張はこれが初めてです。 コードは、https://github.com/YaoZhang93/TumorCPで入手できる。

関連論文リスト

• FreeTumor: Advance Tumor Segmentation via Large-Scale Tumor Synthesis [7.064154713491736]
  FreeTumorは、堅牢な腫瘍合成とセグメンテーションのための堅牢なソリューションである。 合成トレーニングでは、敵のトレーニング戦略を使用して、大規模で多種多様なラベル付きデータを活用している。 FreeTumorでは,腫瘍セグメント化におけるデータスケーリングの法則について,データセットを1万1千件までスケールアップすることで検討する。
  論文  参考訳（メタデータ） (2024-06-03T12:27:29Z)
• Improving Breast Cancer Grade Prediction with Multiparametric MRI Created Using Optimized Synthetic Correlated Diffusion Imaging [71.91773485443125]
  乳がん治療計画において、グレーディングは重要な役割を担っている。 現在の腫瘍グレード法では、患者から組織を抽出し、ストレス、不快感、医療費の上昇につながる。 本稿では,CDI$s$の最適化による乳癌の診断精度の向上について検討する。
  論文  参考訳（メタデータ） (2024-05-13T15:48:26Z)
• Prediction of brain tumor recurrence location based on multi-modal fusion and nonlinear correlation learning [55.789874096142285]
  深層学習に基づく脳腫瘍再発位置予測ネットワークを提案する。 まず、パブリックデータセットBraTS 2021上で、マルチモーダル脳腫瘍セグメンテーションネットワークをトレーニングする。 次に、事前訓練されたエンコーダを、リッチなセマンティックな特徴を抽出するために、プライベートデータセットに転送する。 2つのデコーダは、現在の脳腫瘍を共同に分断し、将来の腫瘍再発位置を予測するために構築されている。
  論文  参考訳（メタデータ） (2023-04-11T02:45:38Z)
• Producing Histopathology Phantom Images using Generative Adversarial Networks to improve Tumor Detection [0.0]
  本稿では,GANを用いたデータ拡張が,我々のデータセットにおける異なる種類のがんの分布の不均一性を軽減するための有効な解決策であることを確かめる。 実験の結果,50%に増強されたデータセットは腫瘍検出率を80%から87.5%に向上させることがわかった。
  論文  参考訳（メタデータ） (2022-05-21T23:04:20Z)
• Federated Learning Enables Big Data for Rare Cancer Boundary Detection [98.5549882883963]
  6大陸にわたる71の医療機関のデータを含む,これまでで最大のフェデレーテッドML研究の結果を報告する。 グリオ芽腫の稀な疾患に対する腫瘍境界自動検出装置を作製した。 当科では, 外科的に標的とした腫瘍の悪性度を高めるために, 33%の改善率を示し, 腫瘍全体に対する23%の改善率を示した。
  論文  参考訳（メタデータ） (2022-04-22T17:27:00Z)
• EMT-NET: Efficient multitask network for computer-aided diagnosis of breast cancer [58.720142291102135]
  乳腺腫瘍の分類と分別を同時に行うための,効率的で軽量な学習アーキテクチャを提案する。 腫瘍分類ネットワークにセグメンテーションタスクを組み込むことにより,腫瘍領域に着目したバックボーンネットワークで表現を学習する。 腫瘍分類の精度、感度、特異性はそれぞれ88.6%、94.1%、85.3%である。
  論文  参考訳（メタデータ） (2022-01-13T05:24:40Z)
• Segmentation of Lung Tumor from CT Images using Deep Supervision [0.8733639720576208]
  肺がんは世界中のほとんどの国で死因となっている。 本稿では,LOTUSデータセットに2次元離散ウェーブレット変換(DWT)を適用し,肺腫瘍のセグメンテーションにアプローチする。
  論文  参考訳（メタデータ） (2021-11-17T17:50:18Z)
• Triplet Contrastive Learning for Brain Tumor Classification [99.07846518148494]
  本稿では,脳腫瘍の深層埋め込みを直接学習する手法を提案する。 本手法は,27種類の腫瘍群からなる広範囲な脳腫瘍データセットを用いて評価し,そのうち13種は稀である。
  論文  参考訳（メタデータ） (2021-08-08T11:26:34Z)
• Glioma Prognosis: Segmentation of the Tumor and Survival Prediction using Shape, Geometric and Clinical Information [13.822139791199106]
  我々は,ハイパーコラムを用いた畳み込みニューラルネットワーク(cnn)を用いて,健常脳組織から腫瘍を分離する。 私たちのモデルは、腫瘍全体、腫瘍コアおよび増強腫瘍の平均ダイス精度87.315%、77.04%および70.22%を達成した。
  論文  参考訳（メタデータ） (2021-04-02T10:49:05Z)
• Brain Tumor Classification Using Medial Residual Encoder Layers [9.038707616951795]
  がんは世界で2番目に多い死因であり、2018年だけで950万人以上が死亡している。 脳腫瘍は4件のがん死亡のうち1件を数えている。 本稿では,エンコーダブロックを含むディープラーニングに基づくシステムを提案する。 3064 MR画像からなるデータセット上でのこのモデルの実験的評価は、95.98%の精度を示しており、このデータベースに関する以前の研究より優れている。
  論文  参考訳（メタデータ） (2020-11-01T21:19:38Z)
• Stan: Small tumor-aware network for breast ultrasound image segmentation [68.8204255655161]
  本研究では,小腫瘍認識ネットワーク(Small tumor-Aware Network,STAN)と呼ばれる新しいディープラーニングアーキテクチャを提案する。 提案手法は, 乳腺腫瘍の分節化における最先端のアプローチよりも優れていた。
  論文  参考訳（メタデータ） (2020-02-03T22:25:01Z)

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。