論文の概要: Which Generative Adversarial Network Yields High-Quality Synthetic
Medical Images: Investigation Using AMD Image Datasets
- arxiv url: http://arxiv.org/abs/2203.13856v1
- Date: Fri, 25 Mar 2022 18:42:20 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-29 14:16:32.339265
- Title: Which Generative Adversarial Network Yields High-Quality Synthetic
Medical Images: Investigation Using AMD Image Datasets
- Title(参考訳): AMD画像データセットを用いた高精細合成医用画像の生成支援ネットワーク
- Authors: Guilherme C. Oliveira, Gustavo H. Rosa, Daniel C. G. Pedronette,
Jo\~ao P. Papa, Himeesh Kumar, Leandro A. Passos, Dinesh Kumar
- Abstract要約: 我々はGAN(Generative Adversarial Networks)を用いた高解像度合成画像のフリーアクセス・代替手法を開発した。
老化関連黄斑変性(AMD)の識別を伴わない合成眼底画像を生成するために,10種類の異なるGANアーキテクチャを比較した。
その結果、StyleGAN2は最も低いFID(166.17)に達し、臨床医は実際の画像と合成画像とを正確に区別できなかった。
- 参考スコア(独自算出の注目度): 0.7084893802715565
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep learning has been proposed for the assessment and classification of
medical images. However, many medical image databases with appropriately
labeled and annotated images are small and imbalanced, and thus unsuitable to
train and validate such models. The option is to generate synthetic images and
one successful technique has been patented which limits its use for others. We
have developed a free-access, alternate method for generating synthetic
high-resolution images using Generative Adversarial Networks (GAN) for data
augmentation and showed their effectiveness using eye-fundus images for
Age-Related Macular Degeneration (AMD) identification. Ten different GAN
architectures were compared to generate synthetic eye-fundus images with and
without AMD. Data from three public databases were evaluated using the
Fr\'echet Inception Distance (FID), two clinical experts and deep-learning
classification. The results show that StyleGAN2 reached the lowest FID
(166.17), and clinicians could not accurately differentiate between real and
synthetic images. ResNet-18 architecture obtained the best performance with 85%
accuracy and outperformed the two experts in detecting AMD fundus images, whose
average accuracy was 77.5%. These results are similar to a recently patented
method, and will provide an alternative to generating high-quality synthetic
medical images. Free access has been provided to the entire method to
facilitate the further development of this field.
- Abstract(参考訳): 医学画像の評価と分類のために深層学習が提案されている。
しかし、適切にラベル付けされた画像と注釈付き画像を持つ多くの医用画像データベースは小さく不均衡であり、そのようなモデルの訓練や検証には適さない。
選択は合成画像を生成することであり、その使用を制限する1つの技術が特許取得されている。
我々は,GAN(Generative Adversarial Networks)を用いたデータ拡張のための高分解能画像生成のためのフリーアクセス・代替手法を開発し,老化関連黄斑変性(AMD)識別のための眼底画像の有効性を示した。
10種類の異なるGANアーキテクチャを比較して、AMDの有無に関わらず合成眼底画像を生成する。
Fr'echet Inception Distance (FID) と2つの臨床専門家と深層学習分類を用いて3つの公開データベースのデータを評価した。
その結果、stylegan2は最低fid(166.17)に達し、臨床医は実際の画像と合成画像を正確に区別できなかった。
ResNet-18アーキテクチャは85%の精度で最高の性能を獲得し、平均精度77.5%のAMDの眼底画像検出の専門家よりも優れていた。
これらの結果は、最近特許された方法と似ており、高品質な合成医用画像を生成する代替手段を提供する。
この分野のさらなる発展を促進するため、全メソッドに無料アクセスが提供されている。
関連論文リスト
- 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) - Improving Nonalcoholic Fatty Liver Disease Classification Performance
With Latent Diffusion Models [0.0]
拡散モデルを用いて生成した合成画像と実画像を組み合わせることで,非アルコール性脂肪性肝疾患分類性能を向上させることができることを示す。
その結果,拡散生成画像では最大ISスコアが1.90ドル,GANが1.67ドル,FIDスコアが6.9.45ドル,GANが100.05ドルであった。
論文 参考訳(メタデータ) (2023-07-13T01:14:08Z) - Creating Realistic Anterior Segment Optical Coherence Tomography Images
using Generative Adversarial Networks [0.0]
Generative Adversarial Network (GAN) は、高解像度でリアルな前部セグメント光コヒーレンス・トモグラフィ(AS-OCT)画像の作成を目的としている。
我々は,142,628 AS- OCT Bスキャンを用いて,スタイルとウェーブレットをベースとしたGANを訓練した。
論文 参考訳(メタデータ) (2023-06-24T20:48:00Z) - OADAT: Experimental and Synthetic Clinical Optoacoustic Data for
Standardized Image Processing [62.993663757843464]
オプトアコースティック(OA)イメージングは、ナノ秒レーザーパルスによる生体組織の励起と、光吸収による熱弾性膨張によって発生する超音波の検出に基づいている。
OAイメージングは、深部組織における豊富な光学コントラストと高分解能の強力な組み合わせを特徴としている。
臨床環境でのOAの幅広い応用を促進するために、異なるタイプの実験的なセットアップと関連する処理手法で生成される標準化データセットは存在しない。
論文 参考訳(メタデータ) (2022-06-17T08:11:26Z) - 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) - Sharp-GAN: Sharpness Loss Regularized GAN for Histopathology Image
Synthesis [65.47507533905188]
コンディショナル・ジェネレーショナル・ジェネレーティブ・逆境ネットワークは、合成病理像を生成するために応用されている。
そこで我々は,現実的な病理像を合成するために,シャープネスロス正則化生成対向ネットワークを提案する。
論文 参考訳(メタデータ) (2021-10-27T18:54:25Z) - Vision Transformers for femur fracture classification [59.99241204074268]
Vision Transformer (ViT) はテスト画像の83%を正確に予測することができた。
史上最大かつ最もリッチなデータセットを持つサブフラクチャーで良い結果が得られた。
論文 参考訳(メタデータ) (2021-08-07T10:12:42Z) - 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) - Synthetic Sample Selection via Reinforcement Learning [8.099072894865802]
本稿では,信頼性と情報的特徴を有する合成画像の選択を学習する,強化学習に基づく合成サンプル選択法を提案する。
頚部データセットとリンパ節データセットの実験では、画像分類性能がそれぞれ8.1%と2.3%向上した。
論文 参考訳(メタデータ) (2020-08-26T01:34:19Z) - Diffusion-Weighted Magnetic Resonance Brain Images Generation with
Generative Adversarial Networks and Variational Autoencoders: A Comparison
Study [55.78588835407174]
本研究では,高画質,多彩で現実的な拡散重み付き磁気共鳴画像が深部生成モデルを用いて合成可能であることを示す。
Introspective Variational AutoencoderとStyle-Based GANの2つのネットワークを医療分野におけるデータ拡張の資格として提示する。
論文 参考訳(メタデータ) (2020-06-24T18:00:01Z)
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。