論文の概要: Goldilocks-curriculum Domain Randomization and Fractal Perlin Noise with Application to Sim2Real Pneumonia Lesion Detection

• arxiv url: http://arxiv.org/abs/2204.13849v1
• Date: Fri, 29 Apr 2022 01:59:42 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-03 03:22:51.457113
• Title: Goldilocks-curriculum Domain Randomization and Fractal Perlin Noise with Application to Sim2Real Pneumonia Lesion Detection
• Title（参考訳）: Goldilocks-curriculum Domain RandomizationとフラクタルパーリンノイズとSim2Real肺炎病変検出への応用
• Authors: Takahiro Suzuki and Shouhei Hanaoka and Issei Sato
• Abstract要約: 機械学習に基づくコンピュータ支援検出システム(CAD)が,放射線科医の診断支援として期待されている。 疾患のためのCADシステムの開発における障害は、典型的には医療画像の数が小さすぎて機械学習モデルの性能が向上しないことである。 本稿では,医療画像分野におけるSIM2real Transferアプローチを用いて,この問題に対処する方法を探究する。
• 参考スコア（独自算出の注目度）: 21.66337189311911
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A computer-aided detection (CAD) system based on machine learning is expected to assist radiologists in making a diagnosis. It is desirable to build CAD systems for the various types of diseases accumulating daily in a hospital. An obstacle in developing a CAD system for a disease is that the number of medical images is typically too small to improve the performance of the machine learning model. In this paper, we aim to explore ways to address this problem through a sim2real transfer approach in medical image fields. To build a platform to evaluate the performance of sim2real transfer methods in the field of medical imaging, we construct a benchmark dataset that consists of $101$ chest X-images with difficult-to-identify pneumonia lesions judged by an experienced radiologist and a simulator based on fractal Perlin noise and the X-ray principle for generating pseudo pneumonia lesions. We then develop a novel domain randomization method, called Goldilocks-curriculum domain randomization (GDR) and evaluate our method in this platform.
• Abstract（参考訳）: 機械学習に基づくコンピュータ支援検出システム(CAD)が,放射線科医の診断を支援することが期待される。 病院で日常的に蓄積される各種疾患に対してcadシステムを構築することが望ましい。 疾患のためのCADシステムの開発における障害は、典型的には医療画像の数が小さすぎて機械学習モデルの性能が向上しないことである。 本稿では,医療画像分野におけるSIM2real Transferアプローチを用いて,この問題に対処する方法を探究する。 医用画像検査の分野でsim2real transfer法の性能を評価するためのプラットフォームを構築するために,経験豊富な放射線科医が診断しにくい胸部x画像101ドルと,フラクタルパーリンノイズに基づくシミュレータと擬似肺炎を発生させるx線原理からなるベンチマークデータセットを構築した。 そこで我々は,Goldilocks-curriculum domain randomization (GDR) と呼ばれる新しい領域ランダム化法を開発し,その手法を評価する。

関連論文リスト

• Automatic Detection of COVID-19 from Chest X-ray Images Using Deep Learning Model [3.8329708057847305]
  コロナウイルス(2019-nCoV)は昨年から広く普及しており、世界中に波及している。 テストキットが限られているため、従来の手法で重篤な呼吸障害のある患者を検査するのも大変な作業である。 本稿では,ディープラーニングを用いた診断システムの有効性を示すモデルを提案する。
  論文  参考訳（メタデータ） (2024-08-27T10:01:58Z)
• DDPM based X-ray Image Synthesizer [0.0]
  本稿では, 拡散確率モデル(DDPM)とUNetアーキテクチャを組み合わせたX線画像合成手法を提案する。 本手法では,Kaggleから得られた3000以上の肺炎X線画像を用いて訓練を行った。 その結果, 平均二乗誤差(MSE)が低い実写画像の生成に成功し, 提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2024-01-03T04:35:58Z)
• DeepLOC: Deep Learning-based Bone Pathology Localization and Classification in Wrist X-ray Images [1.45543311565555]
  本稿では,手首X線画像における骨病理像の局在と分類のための新しいアプローチを提案する。 提案手法は,手首X線解析における2つの重要な課題,骨の正確な局在化と異常の正確な分類に対処する。
  論文  参考訳（メタデータ） (2023-08-24T12:06:10Z)
• Patched Diffusion Models for Unsupervised Anomaly Detection in Brain MRI [55.78588835407174]
  本稿では,正常脳解剖のパッチベース推定法として拡散モデルの生成タスクを再構築する手法を提案する。 腫瘍と多発性硬化症について検討し,既存のベースラインと比較して25.1%の改善がみられた。
  論文  参考訳（メタデータ） (2023-03-07T09:40:22Z)
• Medical Image Captioning via Generative Pretrained Transformers [57.308920993032274]
  我々は、Show-Attend-Tell と GPT-3 という2つの言語モデルを組み合わせて、包括的で記述的な放射線学記録を生成する。 提案モデルは、Open-I、MIMIC-CXR、汎用MS-COCOの2つの医療データセットで検証される。
  論文  参考訳（メタデータ） (2022-09-28T10:27:10Z)
• Preservation of High Frequency Content for Deep Learning-Based Medical Image Classification [74.84221280249876]
  大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。 本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
  論文  参考訳（メタデータ） (2022-05-08T15:29:54Z)
• Generative Residual Attention Network for Disease Detection [51.60842580044539]
  本稿では, 条件付き生成逆学習を用いたX線疾患発生のための新しいアプローチを提案する。 我々は,患者の身元を保存しながら,対象領域に対応する放射線画像を生成する。 次に、ターゲット領域で生成されたX線画像を用いてトレーニングを増強し、検出性能を向上させる。
  論文  参考訳（メタデータ） (2021-10-25T14:15:57Z)
• In-Line Image Transformations for Imbalanced, Multiclass Computer Vision Classification of Lung Chest X-Rays [91.3755431537592]
  本研究は、COVID-19 LCXRデータ不足のバランスをとるために画像変換を適用するために、文献の体系を活用することを目的としている。 convolutional neural networks(cnns)のようなディープラーニング技術は、健康状態と疾患状態を区別する特徴を選択することができる。 本研究は,CNNアーキテクチャを用いて高速多クラスLCXR分類を94%精度で行う。
  論文  参考訳（メタデータ） (2021-04-06T02:01:43Z)
• Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
  ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。 胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。 本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
  論文  参考訳（メタデータ） (2021-02-26T02:29:30Z)
• Computer-aided abnormality detection in chest radiographs in a clinical setting via domain-adaptation [0.23624125155742057]
  深層学習(DL)モデルは、放射線医が胸部X線写真から肺疾患の診断を助けるために医療センターに配備されている。 これらの訓練済みDLモデルが臨床現場で一般化する能力は、公開と非公開のラジオグラフィー間のデータ分布の変化のため、貧弱である。 本研究では,ドメインシフト検出と除去手法を導入し,この問題を克服する。
  論文  参考訳（メタデータ） (2020-12-19T01:01:48Z)

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。