論文の概要: Generative Adversarial Network Based Synthetic Learning and a Novel
Domain Relevant Loss Term for Spine Radiographs
- arxiv url: http://arxiv.org/abs/2205.02843v1
- Date: Thu, 5 May 2022 03:58:19 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-10 02:13:43.847455
- Title: Generative Adversarial Network Based Synthetic Learning and a Novel
Domain Relevant Loss Term for Spine Radiographs
- Title（参考訳）: ジェネレイティブ・アドバーサリアン・ネットワークに基づく合成学習と脊椎x線写真における新しいドメイン関連損失項
- Authors: Ethan Schonfeld, Anand Veeravagu
- Abstract要約: 文献レビューから, 有意な入力を伴わない合成脊椎X線画像のGAN生成を初めて達成した。
ジェネレータの新規臨床損失項の導入は、生成リコールの増加とモデルトレーニングの加速に寄与した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Problem: There is a lack of big data for the training of deep learning models
in medicine, characterized by the time cost of data collection and privacy
concerns. Generative adversarial networks (GANs) offer both the potential to
generate new data, as well as to use this newly generated data, without
inclusion of patients' real data, for downstream applications.
Approach: A series of GANs were trained and applied for a downstream computer
vision spine radiograph abnormality classification task. Separate classifiers
were trained with either access or no access to the original imaging. Trained
GANs included a conditional StyleGAN2 with adaptive discriminator augmentation,
a conditional StyleGAN2 with adaptive discriminator augmentation to generate
spine radiographs conditional on lesion type, and using a novel clinical loss
term for the generator a StyleGAN2 with adaptive discriminator augmentation
conditional on abnormality (SpineGAN). Finally, a differential privacy imposed
StyleGAN2 with adaptive discriminator augmentation conditional on abnormality
was trained and an ablation study was performed on its differential privacy
impositions.
Key Results: We accomplish GAN generation of synthetic spine radiographs
without meaningful input for the first time from a literature review. We
further demonstrate the success of synthetic learning for the spine domain with
a downstream clinical classification task (AUC of 0.830 using synthetic data
compared to AUC of 0.886 using the real data). Importantly, the introduction of
a new clinical loss term for the generator was found to increase generation
recall as well as accelerate model training. Lastly, we demonstrate that, in a
limited size medical dataset, differential privacy impositions severely impede
GAN training, finding that this is specifically due to the requirement for
gradient perturbation with noise.
- Abstract（参考訳）: 問題: 医学におけるディープラーニングモデルのトレーニングには,データ収集とプライバシに関する時間的コストを特徴とするビッグデータが不足している。
GAN(Generative Adversarial Network)は、新たなデータを生成する可能性と、患者の実データを含めることなく、下流アプリケーションにこの新たに生成されたデータを使用することの両方を提供する。
アプローチ: ダウンストリームコンピュータビジョンスピンラジオグラフィ異常分類タスクにおいて, 一連のGANを訓練し, 適用した。
別個の分類器は、元の画像にアクセスまたはアクセスしないよう訓練された。
訓練されたGANには、適応性判別器増強の条件付きStyleGAN2、適応性判別器増強の条件付きStyleGAN2、病変型で条件付の脊椎X線写真を生成する条件付きStyleGAN2、異常性で適応性識別器増強の条件付きStyleGAN2(SpineGAN)の新規臨床損失項が用いられた。
最後に, 適応性判別器拡張条件を付与したStyleGAN2の差分プライバシーをトレーニングし, 差分プライバシー付与に関するアブレーション試験を行った。
主な成果: 文献レビューから, 有意な入力を伴わない合成脊椎X線画像のGAN生成を初めて達成した。
さらに,下級臨床分類タスク(実データを用いた0.886 aucと比較して,合成データを用いた0.830 auc)を用いて,脊椎領域における合成学習の成功を実証した。
重要なこととして, ジェネレータの新規臨床損失項の導入は, 世代リコールの増加とモデルトレーニングの加速に寄与した。
最後に、限られたサイズの医療データセットにおいて、差分プライバシー付与がGANトレーニングを著しく阻害することを示し、これは特にノイズを伴う勾配摂動の要求によるものであることを示した。
関連論文リスト
- Local Lesion Generation is Effective for Capsule Endoscopy Image Data Augmentation in a Limited Data Setting [0.0]
そこで我々は, 局所病変生成手法を2つ提案し, 小型医用画像データセットの増大に対処する。
最初のアプローチでは、古典的な画像処理技術であるPoisson Image Editingアルゴリズムを使用して、リアルな画像合成を生成する。
第2のアプローチでは、微調整されたイメージインペインティングGANを利用して、現実的な病変を合成する新しい生成手法を導入している。
論文 参考訳（メタデータ） (2024-11-05T13:44:25Z) - CathFlow: Self-Supervised Segmentation of Catheters in Interventional Ultrasound Using Optical Flow and Transformers [66.15847237150909]
縦型超音波画像におけるカテーテルのセグメンテーションのための自己教師型ディープラーニングアーキテクチャを提案する。
ネットワークアーキテクチャは、Attention in Attentionメカニズムで構築されたセグメンテーショントランスフォーマであるAiAReSeg上に構築されている。
我々は,シリコンオルタファントムから収集した合成データと画像からなる実験データセット上で,我々のモデルを検証した。
論文 参考訳（メタデータ） (2024-03-21T15:13:36Z) - Generative Adversarial Networks for Data Augmentation [0.0]
GANは、データ拡張、画像生成、ドメイン適応など、さまざまなタスクで医療画像解析に利用されてきた。
GANは利用可能なデータセットを増やすために使用できる合成サンプルを生成することができる。
医用画像におけるGANの使用は, 画像が高品質で, 臨床現場での使用に適していることを保証するために, 依然として研究の活発な領域である点に留意する必要がある。
論文 参考訳（メタデータ） (2023-06-03T06:33:33Z) - Improved Techniques for the Conditional Generative Augmentation of
Clinical Audio Data [36.45569352490318]
本稿では,学習したデータ分布からメルスペクトルを合成できる条件付き逆方向ニューラルネットワークによる拡張法を提案する。
提案手法は,従来の音質向上手法よりも優れていることを示す。
提案モデルは,臨床オーディオデータの増大における最先端の進歩と,臨床音響センシングシステムの設計におけるデータのボトルネックを改善する。
論文 参考訳（メタデータ） (2022-11-05T10:58:04Z) - Deceive D: Adaptive Pseudo Augmentation for GAN Training with Limited
Data [125.7135706352493]
GAN(Generative Adversarial Network)は、高忠実度画像を合成するために、訓練に十分なデータを必要とする。
近年の研究では、差別者の過度な適合により、限られたデータでGANを訓練することは困難であることが示されている。
本稿では,APA (Adaptive Pseudo Augmentation) と呼ばれる新しい手法を提案する。
論文 参考訳（メタデータ） (2021-11-12T18:13:45Z) - Categorical EHR Imputation with Generative Adversarial Nets [11.171712535005357]
本稿では,データ計算のためのGANに関する従来の研究を基にした,シンプルで効果的な手法を提案する。
従来のデータ計算手法に比べて予測精度が大幅に向上していることを示す。
論文 参考訳（メタデータ） (2021-08-03T18:50:26Z) - Bootstrapping Your Own Positive Sample: Contrastive Learning With
Electronic Health Record Data [62.29031007761901]
本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。
EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。
私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
論文 参考訳（メタデータ） (2021-04-07T06:02:04Z) - Fader Networks for domain adaptation on fMRI: ABIDE-II study [68.5481471934606]
我々は3次元畳み込みオートエンコーダを用いて、無関係な空間画像表現を実現するとともに、ABIDEデータ上で既存のアプローチより優れていることを示す。
論文 参考訳（メタデータ） (2020-10-14T16:50:50Z) - Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype
Prediction [55.94378672172967]
本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。
新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。
我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
論文 参考訳（メタデータ） (2020-09-02T02:50:30Z) - On Leveraging Pretrained GANs for Generation with Limited Data [83.32972353800633]
生成的敵ネットワーク(GAN)は、しばしば(人間によって)実際の画像と区別できない非常に現実的な画像を生成することができる。
このように生成されたほとんどの画像はトレーニングデータセットには含まれておらず、GAN生成データでトレーニングセットを増強する可能性を示唆している。
我々は、大規模なデータセットで事前訓練された既存のGANモデルを活用し、トランスファーラーニングの概念に従って追加の知識を導入する。
限られたデータを用いた生成における提案手法の有効性を示すため, 広範囲な実験を行った。
論文 参考訳（メタデータ） (2020-02-26T21:53:36Z)
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。