論文の概要: GAN-based generation of realistic 3D data: A systematic review and taxonomy

• arxiv url: http://arxiv.org/abs/2207.01390v1
• Date: Mon, 4 Jul 2022 13:14:37 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-05 13:57:01.374976
• Title: GAN-based generation of realistic 3D data: A systematic review and taxonomy
• Title（参考訳）: GANによるリアルな3Dデータの生成:体系的レビューと分類
• Authors: Andr\'e Ferreira, Jianning Li, Kelsey L. Pomykala, Jens Kleesiek, Victor Alves, Jan Egger
• Abstract要約: GAN(Generative Adversarial Networks)は、現実的な3D合成データを生成するために使用される。 本稿では,GANを用いたリアルな3次元合成データを生成する作業の概要について述べる。 本稿では,医学などの分野におけるGANの現状を概観する新たな分類,評価,課題,研究の機会について紹介する。
• 参考スコア（独自算出の注目度）: 0.6366726050610341
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Data has become the most valuable resource in today's world. With the massive proliferation of data-driven algorithms, such as deep learning-based approaches, the availability of data is of great interest. In this context, high-quality training, validation and testing datasets are particularly needed. Volumetric data is a very important resource in medicine, as it ranges from disease diagnoses to therapy monitoring. When the dataset is sufficient, models can be trained to help doctors with these tasks. Unfortunately, there are scenarios and applications where large amounts of data is unavailable. For example, in the medical field, rare diseases and privacy issues can lead to restricted data availability. In non-medical fields, the high cost of obtaining a sufficient amount of high-quality data can also be a concern. A solution to these problems can be the generation of synthetic data to perform data augmentation in combination with other more traditional methods of data augmentation. Therefore, most of the publications on 3D Generative Adversarial Networks (GANs) are within the medical domain. The existence of mechanisms to generate realistic synthetic data is a good asset to overcome this challenge, especially in healthcare, as the data must be of good quality and close to reality, i.e. realistic, and without privacy issues. In this review, we provide a summary of works that generate realistic 3D synthetic data using GANs. We therefore outline GAN-based methods in these areas with common architectures, advantages and disadvantages. We present a novel taxonomy, evaluations, challenges and research opportunities to provide a holistic overview of the current state of GANs in medicine and other fields.
• Abstract（参考訳）: データは今日の世界でもっとも貴重な資源となっている。 ディープラーニングベースのアプローチなど、データ駆動型アルゴリズムが急増する中、データの可用性は大きな関心を集めている。 この文脈では、高品質なトレーニング、検証、テストデータセットが特に必要です。 容積データは、疾患の診断から治療モニタリングまで、医療において非常に重要な資源である。 データセットが十分であれば、これらのタスクを医師を助けるためにモデルをトレーニングすることができる。 残念ながら、大量のデータが利用できないシナリオやアプリケーションがあります。 例えば、医療分野では、まれな疾患やプライバシの問題がデータ可用性の制限につながる可能性がある。 非医療分野では、十分な量の高品質なデータを得るための高コストも問題となる。 これらの問題の解決策は、他の従来のデータ拡張手法と組み合わせてデータ拡張を行うための合成データの生成である。 したがって、3d生成広告ネットワーク(gans)上の出版物の大部分は医療領域内にある。 現実的な合成データを生成するメカニズムの存在は、この課題、特に医療において、データの品質が良好で現実に近いこと、すなわち現実的であり、プライバシの問題のない、この課題を克服するための良い資産である。 本稿では,GANを用いたリアルな3次元合成データを生成する作業の概要について述べる。 したがって、これらの領域でGANベースの手法を共通アーキテクチャ、アドバンテージ、デメリットで概説する。 本稿では,医学などの分野におけるGANの現状を概観する新たな分類,評価,課題,研究の機会について紹介する。

関連論文リスト

• Synthetic Data in Radiological Imaging: Current State and Future Outlook [3.047958668050099]
  放射線学における人工知能(AI)ソリューションの開発と展開の鍵となる課題は、関連するデータ制限を解決することである。 サイリコデータでは、患者の損害の低減、コストの削減、データ取得の簡略化、スケーラビリティ、品質保証テストの改善、データ不均衡に対する緩和アプローチなど、患者のデータに潜在的なメリットがいくつか提供されている。
  論文  参考訳（メタデータ） (2024-05-08T18:35:47Z)
• How Good Are Synthetic Medical Images? An Empirical Study with Lung Ultrasound [0.3312417881789094]
  生成モデルを使用して合成トレーニングデータを追加することで、データの不足に対処するための低コストな方法が提供される。 合成データと実データの両方によるトレーニングは、実データのみによるトレーニングよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-10-05T15:42:53Z)
• MedDiffusion: Boosting Health Risk Prediction via Diffusion-based Data Augmentation [58.93221876843639]
  本稿では,MedDiffusion という,エンドツーエンドの拡散に基づくリスク予測モデルを提案する。 トレーニング中に合成患者データを作成し、サンプルスペースを拡大することで、リスク予測性能を向上させる。 ステップワイズ・アテンション・メカニズムを用いて患者の来訪者間の隠れた関係を識別し、高品質なデータを生成する上で最も重要な情報をモデルが自動的に保持することを可能にする。
  論文  参考訳（メタデータ） (2023-10-04T01:36:30Z)
• Generative models improve fairness of medical classifiers under distribution shifts [49.10233060774818]
  データから現実的な拡張を自動的に学習することは、生成モデルを用いてラベル効率の良い方法で可能であることを示す。 これらの学習の強化は、モデルをより堅牢で統計的に公平に配布できることを示した。
  論文  参考訳（メタデータ） (2023-04-18T18:15:38Z)
• Synthetic Data in Healthcare [10.555189948915492]
  本稿では,データ作成のための物理・統計シミュレーションの事例と医療・医療への応用について述べる。 人工物は、プライバシ、エクイティ、安全性、継続的な、因果学習を促進することができるが、欠陥や盲点を導入し、バイアスを伝播または誇張するリスクも負う。
  論文  参考訳（メタデータ） (2023-04-06T17:23:39Z)
• Non-Imaging Medical Data Synthesis for Trustworthy AI: A Comprehensive Survey [6.277848092408045]
  データ品質は、医療において信頼できるAIを開発する上で重要な要素である。 高品質なデータセットへのアクセスは、データ取得の技術的困難によって制限される。 医療データの大規模な共有は、厳格な倫理的制約によって妨げられている。
  論文  参考訳（メタデータ） (2022-09-17T13:34:17Z)
• Data-Efficient Learning via Minimizing Hyperspherical Energy [48.47217827782576]
  本稿では,少数の代表データを用いたスクラッチからのデータ効率学習の問題について考察する。 我々は,MHEに基づくアクティブラーニング(MHEAL)アルゴリズムを提案し,MHEALの包括的な理論的保証を提供する。
  論文  参考訳（メタデータ） (2022-06-30T11:39:12Z)
• 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)
• Synthetic Data: Opening the data floodgates to enable faster, more directed development of machine learning methods [96.92041573661407]
  機械学習における画期的な進歩の多くは、大量のリッチデータを利用できることに起因する。 多くの大規模データセットは、医療データなど高度に敏感であり、機械学習コミュニティでは広く利用できない。 プライバシー保証で合成データを生成することは、そのようなソリューションを提供します。
  論文  参考訳（メタデータ） (2020-12-08T17:26:10Z)
• 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)
• Synthetic Observational Health Data with GANs: from slow adoption to a boom in medical research and ultimately digital twins? [0.16244541005112745]
  患者に関するデータとそれを保護するための規制が、非常にプライベートな性質を持っているため、獣の潜在能力は明らかにされていない。 Generative Adversarial Networks (GAN) は、現実的な合成データを生成する生成モデルを学ぶための画期的な方法として最近登場した。 GANは、データ不足、クラス不均衡、まれな疾患、プライバシの保護など、医療における一般的な問題に関連する機能を備えている。
  論文  参考訳（メタデータ） (2020-05-27T17:40:35Z)

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。