論文の概要: FakeNews: GAN-based generation of realistic 3D volumetric data -- A
systematic review and taxonomy
- arxiv url: http://arxiv.org/abs/2207.01390v2
- Date: Wed, 14 Feb 2024 11:03:38 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-15 20:38:31.068705
- Title: FakeNews: GAN-based generation of realistic 3D volumetric data -- A
systematic review and taxonomy
- Title（参考訳）: FakeNews: GANによるリアルな3Dボリュームデータの生成 -- 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を用いたリアルなボリューム合成データを生成する作業の概要について述べる。
- 参考スコア（独自算出の注目度）: 2.801317303396674
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: With the massive proliferation of data-driven algorithms, such as deep
learning-based approaches, the availability of high-quality data is of great
interest. Volumetric data is very important 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 where large amounts of data is unavailable. For example, rare
diseases and privacy issues can lead to restricted data availability. In
non-medical fields, the high cost of obtaining enough high-quality data can
also be a concern. A solution to these problems can be the generation of
realistic synthetic data using Generative Adversarial Networks (GANs). The
existence of these mechanisms is a good asset, especially in healthcare, as the
data must be of good quality, realistic, and without privacy issues. Therefore,
most of the publications on volumetric GANs are within the medical domain. In
this review, we provide a summary of works that generate realistic volumetric
synthetic data using GANs. We therefore outline GAN-based methods in these
areas with common architectures, loss functions and evaluation metrics,
including their advantages and disadvantages. We present a novel taxonomy,
evaluations, challenges, and research opportunities to provide a holistic
overview of the current state of volumetric GANs.
- Abstract（参考訳）: 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の大量増加に伴い,高品質なデータの利用が注目されている。
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があります。
例えば、まれな疾患やプライバシ上の問題は、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、十分な高品質なデータを得るための高コストも懸念される。
これらの問題の解決策は、GAN(Generative Adversarial Networks)を用いたリアルな合成データの生成である。
これらのメカニズムの存在は、特に医療における優れた資産であり、データは高品質で現実的で、プライバシーの問題がない必要がある。
したがって、ボリュームgansに関する出版物の大部分は医療領域内にある。
本稿では,GANを用いたリアルなボリューム合成データを生成する作業の概要について述べる。
そこで我々は,これらの分野におけるganに基づく手法を,共通アーキテクチャ,損失関数,評価指標とともに概説する。
本稿では,新しい分類法,評価法,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。