論文の概要: Improved Generative Model for Weakly Supervised Chest Anomaly
Localization via Pseudo-paired Registration with Bilaterally Symmetrical Data
Augmentation
- arxiv url: http://arxiv.org/abs/2207.10324v1
- Date: Thu, 21 Jul 2022 06:42:12 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-22 12:38:40.613313
- Title: Improved Generative Model for Weakly Supervised Chest Anomaly
Localization via Pseudo-paired Registration with Bilaterally Symmetrical Data
Augmentation
- Title(参考訳): 左右対称データ拡張による擬似ペア登録による弱監視胸部異常位置推定モデルの改良
- Authors: Kyung-Su Kim, Seong Je Oh, Tae Uk Kim, Myung Jin Chung
- Abstract要約: 本稿では,登録とデータ拡張を含む2段階のGAN-ITを提案する。
本稿では,非ペアデータからペアデータに変換する非可逆なディープラーニングベースの登録手法を提案する。
第2段階では、一様登録フレーム上の左右の肺領域を交換することにより、異常箇所の多様化にデータ拡張を適用する。
- 参考スコア(独自算出の注目度): 7.389911808178614
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Image translation based on a generative adversarial network (GAN-IT) is a
promising method for precise localization of abnormal regions in chest X-ray
images (AL-CXR). However, heterogeneous unpaired datasets undermine existing
methods to extract key features and distinguish normal from abnormal cases,
resulting in inaccurate and unstable AL-CXR. To address this problem, we
propose an improved two-stage GAN-IT involving registration and data
augmentation. For the first stage, we introduce an invertible
deep-learning-based registration technique that virtually and reasonably
converts unpaired data into paired data for learning registration maps. This
novel approach achieves high registration performance. For the second stage, we
apply data augmentation to diversify anomaly locations by swapping the left and
right lung regions on the uniform registered frames, further improving the
performance by alleviating imbalance in data distribution showing left and
right lung lesions. Our method is intended for application to existing GAN-IT
models, allowing existing architecture to benefit from key features for
translation. By showing that the AL-CXR performance is uniformly improved when
applying the proposed method, we believe that GAN-IT for AL-CXR can be deployed
in clinical environments, even if learning data are scarce.
- Abstract(参考訳): 胸部X線画像(AL-CXR)における異常領域の正確な位置推定にはGAN-IT(Generative Adversarial Network)を用いた画像翻訳が有用である。
しかし、異種無ペアデータセットは、重要な特徴を抽出し、正常なケースと異常なケースを区別する既存の手法を損なうため、不正確で不安定なAL-CXRとなる。
そこで本研究では,登録とデータ拡張を含む2段階gan-itの改良を提案する。
第1段階では,非ペアデータからペアデータに変換する非可逆なディープラーニングベースの登録手法を導入し,登録マップを学習する。
この手法は高い登録性能を実現する。
第2段階では、均一な登録フレーム上で左右の肺領域を交換することにより、異常箇所の多様化にデータ拡張を適用し、左右の肺病変を示すデータ分布の不均衡を緩和し、さらに性能を向上させる。
提案手法は,既存のGAN-ITモデルに適用することを目的としており,既存のアーキテクチャが翻訳の重要な特徴の恩恵を受けることができる。
提案手法を適用すると,AL-CXRの性能が均一に向上することを示すことにより,学習データが少ない場合でも,AL-CXRのGAN-ITを臨床環境に展開できると考えている。
関連論文リスト
- BarlowTwins-CXR : Enhancing Chest X-Ray abnormality localization in
heterogeneous data with cross-domain self-supervised learning [1.7479385556004874]
BarlwoTwins-CXRは,胸部X線画像解析の自律的異常局所化のための自己指導型学習戦略である。
従来のImageNetの事前訓練モデルと比較して、mAP50の精度は3%向上した。
論文 参考訳(メタデータ) (2024-02-09T16:10:13Z) - Fully Differentiable Correlation-driven 2D/3D Registration for X-ray to
CT Image Fusion [4.1498463236541605]
画像ベース剛性2D/3Dレジストレーションは, 蛍光ガイド下外科手術において重要な技術である。
デュアルブランチCNN変換器エンコーダを用いた完全微分型相関型ネットワークを提案する。
組込み情報に基づく低周波特徴と高周波特徴の分解に対して相関型損失を提案する。
論文 参考訳(メタデータ) (2024-02-04T14:12:51Z) - DiffusionPCR: Diffusion Models for Robust Multi-Step Point Cloud
Registration [73.37538551605712]
ポイントクラウド登録(PCR)は、2つのポイントクラウド間の相対的な厳密な変換を推定する。
本稿では, PCR を拡散確率過程として定式化し, ノイズ変換を基礎的真理にマッピングする。
実験ではDiffusionPCRの有効性を示し,3Dおよび3DLoMatchに対する最先端の登録リコール率(95.3%/81.6%)を得た。
論文 参考訳(メタデータ) (2023-12-05T18:59:41Z) - ArSDM: Colonoscopy Images Synthesis with Adaptive Refinement Semantic
Diffusion Models [69.9178140563928]
大腸内視鏡検査は臨床診断や治療に不可欠である。
注釈付きデータの不足は、既存の手法の有効性と一般化を制限する。
本稿では, 下流作業に有用な大腸内視鏡画像を生成するために, 適応Refinement Semantic Diffusion Model (ArSDM)を提案する。
論文 参考訳(メタデータ) (2023-09-03T07:55:46Z) - GSMorph: Gradient Surgery for cine-MRI Cardiac Deformable Registration [62.41725951450803]
学習に基づく変形可能な登録は、フィールドの登録精度と滑らかさをトレードオフする重み付けされた目的関数に依存する。
我々は,GSMorphと呼ばれる勾配手術機構に基づく登録モデルを構築し,複数の損失に対してパラメータフリーな高バランスを実現する。
提案手法はモデルに依存しないため,パラメータの追加や推論の遅延を伴わずに,任意のディープ登録ネットワークにマージすることができる。
論文 参考訳(メタデータ) (2023-06-26T13:32:09Z) - Spot The Odd One Out: Regularized Complete Cycle Consistent Anomaly
Detector GAN [4.929399529593514]
本研究では,GAN(Generative Adversarial Neural Network)のパワーを活用した,現実の応用における異常検出のための逆方向検出手法を提案する。
従来の手法は、あらゆる種類の異常に適用できないような、クラス単位での精度のばらつきに悩まされていた。
RCALADという手法は,この構造に新たな識別器を導入し,より効率的な学習プロセスを実現することで,この問題を解決しようとするものである。
論文 参考訳(メタデータ) (2023-04-16T13:05:39Z) - Uncertainty-Aware Source-Free Adaptive Image Super-Resolution with
Wavelet Augmentation Transformer [64.70357432133937]
Unsupervised Domain Adaptation (UDA)は、現実世界の超解像(SR)における領域ギャップ問題に効果的に対処できる
本稿では,画像SR(SODA-SR)のためのSOurce-free Domain Adaptationフレームワークを提案する。
論文 参考訳(メタデータ) (2023-03-31T03:14:44Z) - Cluster-level pseudo-labelling for source-free cross-domain facial
expression recognition [94.56304526014875]
表情認識のためのSFUDA法を提案する。
本手法は,自己教師付き事前学習を利用して,対象データから優れた特徴表現を学習する。
提案手法の有効性を4つの適応方式で検証し,FERに適用した場合,既存のSFUDA法より一貫して優れていることを示す。
論文 参考訳(メタデータ) (2022-10-11T08:24:50Z) - Adapting the Mean Teacher for keypoint-based lung registration under
geometric domain shifts [75.51482952586773]
ディープニューラルネットワークは一般的に、ラベル付きトレーニングデータが多く必要であり、トレーニングデータとテストデータの間のドメインシフトに弱い。
本稿では,ラベル付きソースからラベル付きターゲットドメインへのモデルの適用により,画像登録のための幾何学的領域適応手法を提案する。
本手法は,ベースラインモデルの精度を目標データに適合させながら,ベースラインモデルの50%/47%を継続的に改善する。
論文 参考訳(メタデータ) (2022-07-01T12:16:42Z) - Voxelmorph++ Going beyond the cranial vault with keypoint supervision
and multi-channel instance optimisation [8.88841928746097]
近年のLearn2Regベンチマークでは,単スケールU-Netアーキテクチャーは腹部または患者内肺登録の最先端性能に劣っている。
本稿では、この精度のギャップを大幅に減らすための2つの簡単な手順を提案する。
まず、離散化されたヒートマップを予測する新しいネットワークヘッドを備えたキーポイント・セルフスーパービジョンを用いる。
次に、複数の学習した微調整ステップを、手作りの機能とAdamオプティマイザでひとつのインスタンスに置き換える。
論文 参考訳(メタデータ) (2022-02-28T19:23:29Z) - Robust Locality-Aware Regression for Labeled Data Classification [5.432221650286726]
本稿では,ロバスト局所性認識回帰(RLAR)という特徴抽出フレームワークを提案する。
本モデルでは,クラス間の平均差を使わずに,適応的に境界表現学習を行うために再ターゲット回帰を導入する。
外れ値の乱れを緩和し、過度な適合を防止するため、L2,1ノルムによる正規化項とともに回帰項と局所性を考慮した項を計測する。
論文 参考訳(メタデータ) (2020-06-15T11:36:59Z)
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。