論文の概要: Transparency strategy-based data augmentation for BI-RADS classification of mammograms

• arxiv url: http://arxiv.org/abs/2203.10609v1
• Date: Sun, 20 Mar 2022 17:51:38 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-23 08:28:27.078197
• Title: Transparency strategy-based data augmentation for BI-RADS classification of mammograms
• Title（参考訳）: 透明性戦略に基づくマンモグラムのBI-RADS分類のためのデータ拡張
• Authors: Sam B. Tran, Huyen T. X. Nguyen, Hieu H. Pham, Ha Q. Nguyen
• Abstract要約: マンモグラムの乳房画像レポーティング・データ・システム(BI-RADS)のスコアを高めるための新しい透明性戦略を提案する。 提案手法は、関心領域(ROI)情報を用いて、原画像からよりリスクの高いトレーニング例を生成する。 本研究は、BI-RADS分類における他の拡張戦略よりも透明性の手法の方が効果的であり、コンピュータビジョンタスクに広く適用可能であることを強調した。
• 参考スコア（独自算出の注目度）: 0.3670422696827525
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Image augmentation techniques have been widely investigated to improve the performance of deep learning (DL) algorithms on mammography classification tasks. Recent methods have proved the efficiency of image augmentation on data deficiency or data imbalance issues. In this paper, we propose a novel transparency strategy to boost the Breast Imaging Reporting and Data System (BI-RADS) scores of mammograms classifier. The proposed approach utilizes the Region of Interest (ROI) information to generate more high-risk training examples from original images. Our extensive experiments were conducted on our benchmark mammography dataset. The experiment results show that the proposed approach surpasses current state-of-the-art data augmentation techniques such as Upsampling or CutMix. The study highlights that the transparency method is more effective than other augmentation strategies for BI-RADS classification and can be widely applied for our computer vision tasks.
• Abstract（参考訳）: マンモグラフィ分類タスクにおける深層学習(DL)アルゴリズムの性能向上のために,画像拡張技術が広く研究されている。 近年,データ不足やデータ不均衡問題に対する画像強調の有効性が実証されている。 本稿では,マンモグラム分類器の乳房画像報告・データシステム(BI-RADS)スコアを向上するための新しい透明性戦略を提案する。 提案手法は、関心領域(ROI)情報を用いて、原画像からよりリスクの高いトレーニング例を生成する。 ベンチマークマンモグラフィーデータセットを用いて大規模な実験を行った。 実験の結果, 提案手法は, Upsampling や CutMix などの最先端データ拡張技術を上回ることがわかった。 本研究は、BI-RADS分類における他の拡張戦略よりも透明性手法が効果的であることを強調し、コンピュータビジョンタスクに広く適用できることを示した。

関連論文リスト

• Deep BI-RADS Network for Improved Cancer Detection from Mammograms [3.686808512438363]
  テキスト型BI-RADS病変記述子と視覚マンモグラムを併用した新しいマルチモーダル手法を提案する。 提案手法は,これらの異なるモダリティを効果的に融合させるために,反復的な注意層を用いる。 CBIS-DDSMデータセットの実験では、すべてのメトリクスで大幅に改善されている。
  論文  参考訳（メタデータ） (2024-11-16T21:32:51Z)
• Enhancing Retinal Disease Classification from OCTA Images via Active Learning Techniques [0.8035416719640156]
  高齢のアメリカ人では眼疾患が一般的であり、視力や視力の低下につながることがある。 光コヒーレンス・トモグラフィ・アンギオグラフィー(OCTA)により、臨床医が網膜血管の高品質な画像を取得することができる画像技術の最近の進歩 OCTAは、一般的なOCT画像から得られる構造情報と比較して、詳細な血管画像を提供する。
  論文  参考訳（メタデータ） (2024-07-21T23:24:49Z)
• Domain Generalization for Mammographic Image Analysis with Contrastive Learning [62.25104935889111]
  効果的なディープラーニングモデルのトレーニングには、さまざまなスタイルと品質を備えた大規模なデータが必要である。 より優れたスタイルの一般化能力を備えた深層学習モデルを実現するために,新しいコントラスト学習法が開発された。 提案手法は,様々なベンダスタイルドメインのマンモグラムや,いくつかのパブリックデータセットを用いて,広範囲かつ厳密に評価されている。
  論文  参考訳（メタデータ） (2023-04-20T11:40:21Z)
• Local Magnification for Data and Feature Augmentation [53.04028225837681]
  LOMA(Local Magnification)と呼ばれる,実装が容易かつモデルフリーなデータ拡張手法を提案する。 LOMAは、画像の局所領域をランダムに拡大することにより、追加のトレーニングデータを生成する。 実験の結果,提案するLOMAと標準データ拡張を組み合わせることで,画像分類や物体検出の性能を大幅に向上させることができることがわかった。
  論文  参考訳（メタデータ） (2022-11-15T02:51:59Z)
• Less Is More: A Comparison of Active Learning Strategies for 3D Medical Image Segmentation [0.0]
  文献では様々なアクティブラーニング戦略が提案されているが、その効果はデータセットとトレーニングシナリオに大きく依存している。 医療宣言から得られた3つのデータセットに対して,いくつかのよく知られたアクティブラーニング戦略の性能を評価する。
  論文  参考訳（メタデータ） (2022-07-02T14:27:58Z)
• Harmonizing Pathological and Normal Pixels for Pseudo-healthy Synthesis [68.5287824124996]
  そこで本研究では,新しいタイプの識別器であるセグメンタを提案し,病変の正確な特定と擬似健康画像の視覚的品質の向上を図っている。 医用画像強調に生成画像を適用し,低コントラスト問題に対処するために拡張結果を利用する。 BraTSのT2モダリティに関する総合的な実験により、提案手法は最先端の手法よりも大幅に優れていることが示された。
  論文  参考訳（メタデータ） (2022-03-29T08:41:17Z)
• A novel multi-view deep learning approach for BI-RADS and density assessment of mammograms [0.5039813366558306]
  BI-RADSのための新しい多視点DL手法とマンモグラムの密度評価を提案する。 提案手法はまず,各ビューで特徴抽出を行うディープ畳み込みネットワークを分離して展開する。 抽出した特徴を積み重ねてLight Gradient Boosting Machine (LightGBM) に入力し、BI-RADSと密度スコアを予測する。
  論文  参考訳（メタデータ） (2021-12-08T10:59:17Z)
• 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)
• Attention Model Enhanced Network for Classification of Breast Cancer Image [54.83246945407568]
  AMENはマルチブランチ方式で、画素ワイドアテンションモデルとサブモジュールの分類で定式化される。 微妙な詳細情報に焦点を合わせるため、サンプル画像は、前枝から生成された画素対応の注目マップによって強化される。 3つのベンチマークデータセットで行った実験は、様々なシナリオにおいて提案手法の優位性を実証している。
  論文  参考訳（メタデータ） (2020-10-07T08:44:21Z)
• Learning Binary Semantic Embedding for Histology Image Classification and Retrieval [56.34863511025423]
  バイナリ・セマンティック・エンベディング(LBSE)の学習方法を提案する。 効率的な埋め込み、分類、検索を行い、組織像の解釈可能なコンピュータ支援診断を提供する。 3つのベンチマークデータセットで実施された実験は、様々なシナリオにおいてLBSEの優位性を検証する。
  論文  参考訳（メタデータ） (2020-10-07T08:36:44Z)

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。