論文の概要: Comparison of synthetic dataset generation methods for medical
intervention rooms using medical clothing detection as an example
- arxiv url: http://arxiv.org/abs/2209.11493v1
- Date: Fri, 23 Sep 2022 09:36:23 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-26 16:50:59.086558
- Title: Comparison of synthetic dataset generation methods for medical
intervention rooms using medical clothing detection as an example
- Title（参考訳）: 医用衣料検出を例として用いた医療介入室における合成データセット生成法の比較
- Authors: Patrick Sch\"ulein, Hannah Teufel, Ronja Vorpahl, Indira Emter,
Yannick Bukschat, Marcus Pfister, Anke Siebert, Nils Rathmann, Steffen Diehl,
Marcus Vetter
- Abstract要約: この研究は、医療服を例として用いて、医療コンテキストのための合成データセットを作成する方法を示す。
目標は、合成データと実際のデータの間の現実的なギャップを埋めることだ。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: The availability of real data from areas with high privacy requirements, such
as the medical intervention space, is low and the acquisition legally complex.
Therefore, this work presents a way to create a synthetic dataset for the
medical context, using medical clothing as an example. The goal is to close the
reality gap between the synthetic and real data. For this purpose, methods of
3D-scanned clothing and designed clothing are compared in a
Domain-Randomization and Structured-Domain-Randomization scenario using an
Unreal-Engine plugin or Unity. Additionally a Mixed-Reality dataset in front of
a greenscreen and a target domain dataset were used. Our experiments show, that
Structured-Domain-Randomization of designed clothing together with
Mixed-Reality data provide a baseline achieving 72.0% mAP on a test dataset of
the clinical target domain. When additionally using 15% of available target
domain train data, the gap towards 100% (660 images) target domain train data
could be nearly closed 80.05% mAP (81.95% mAP). Finally we show that when
additionally using 100% target domain train data the accuracy could be
increased to 83.35% mAP.
- Abstract（参考訳）: 医療介入スペースなどの高いプライバシ要件を持つ領域からの実際のデータの可用性は低く、買収は法的に複雑である。
そこで本研究では, 医用衣料を例として, 医用コンテキストのための合成データセットを作成する方法を提案する。
目標は、合成データと実際のデータの間の現実のギャップを埋めることだ。
この目的のために、Unreal-Engine プラグインまたは Unity を用いて、ドメイン・ランドマイゼーションおよび構造化ドメイン・ランドマイゼーションシナリオにおいて、3次元スキャンされた衣服とデザインされた衣服の手法を比較した。
さらに、グリーンスクリーンの前にあるMixed-Realityデータセットとターゲットドメインデータセットが使用された。
実験により,デザインされた衣服の構造化ドメイン・ランダム化と混合現実データにより,臨床対象領域のテストデータセット上で72.0%のマップが得られた。
さらに、利用可能なターゲットドメイントレインデータの15%を使用すると、100%(660イメージ)のターゲットドメイントレインデータへのギャップは、80.05%のマップ(81.95%のマップ)でほぼ閉鎖される可能性がある。
最後に、100パーセントのターゲットドメイントレインデータを追加することで、精度を83.35%に向上できることを示した。
関連論文リスト
- NLICE: Synthetic Medical Record Generation for Effective Primary
Healthcare Differential Diagnosis [0.765458997723296]
患者記録の作成には,SymCatという公衆疾患症状データソースを用いている。
合成データの表現性を高めるために,NLICEと呼ばれる医学標準化された症状モデリング手法を用いる。
予測疾患モデルをトレーニングするためのデータセットの有効性を示す。
論文 参考訳（メタデータ） (2024-01-24T19:17:45Z) - MoCo-Transfer: Investigating out-of-distribution contrastive learning
for limited-data domains [52.612507614610244]
我々は、モーメントコントラスト(MoCo)プレトレーニングからデータ制限のある設定への自己教師付きコントラスト表現の転送の利点を分析する。
ラベル付きおよびラベルなしデータの量によっては、より大きなアウト・オブ・ディストリビューションデータセットでの対照的な事前トレーニングは、ドメイン内でのMoCoの事前トレーニングよりも、ほぼ同等か、あるいはそれ以上のパフォーマンスが期待できる。
論文 参考訳（メタデータ） (2023-11-15T21:56:47Z) - Synthetic Data as Validation [9.506660694536649]
CT(Computed tomography)ボリュームにおける早期癌検出のための合成データの有用性について述べる。
我々は,人工腫瘍を用いた外部データのストリーム上で,AIモデルを継続的にトレーニングする,新たな連続学習フレームワークを構築した。
動的に拡張された合成データをトレーニングし、検証するAIモデルは、実世界のデータにのみトレーニングされ、検証されるモデルより一貫して優れている。
論文 参考訳（メタデータ） (2023-10-24T17:59:55Z) - Trust your Good Friends: Source-free Domain Adaptation by Reciprocal
Neighborhood Clustering [50.46892302138662]
我々は、ソースデータがない場合に、ソース事前学習されたモデルをターゲット領域に適応させる、ソースフリー領域適応問題に対処する。
提案手法は,ソースドメイン分類器と一致しない可能性のあるターゲットデータが,依然として明確なクラスタを形成しているという観測に基づいている。
本研究では, この地域構造を, 地域住民, 相互隣人, 及び拡張近所を考慮し, 効率的に把握できることを実証する。
論文 参考訳（メタデータ） (2023-09-01T15:31:18Z) - 3D Adversarial Augmentations for Robust Out-of-Domain Predictions [115.74319739738571]
ドメイン外データへの一般化の改善に注力する。
対象を逆向きに変形させるベクトルの集合を学習する。
本研究では,学習したサンプル非依存ベクトルをモデルトレーニング時に利用可能なオブジェクトに適用することにより,対数拡大を行う。
論文 参考訳（メタデータ） (2023-08-29T17:58:55Z) - ParGANDA: Making Synthetic Pedestrians A Reality For Object Detection [2.7648976108201815]
本稿では,GAN(Generative Adversarial Network)を用いて,実データと合成データのギャップを埋めることを提案する。
我々のアプローチは、視覚的に可視なサンプルを生成するだけでなく、実際のドメインのラベルも必要としない。
論文 参考訳（メタデータ） (2023-07-21T05:26:32Z) - One-Shot Domain Adaptive and Generalizable Semantic Segmentation with
Class-Aware Cross-Domain Transformers [96.51828911883456]
セマンティックセグメンテーションのための教師なしのsim-to-realドメイン適応(UDA)は、シミュレーションデータに基づいて訓練されたモデルの実世界のテスト性能を改善することを目的としている。
従来のUDAは、適応のためのトレーニング中に利用可能なラベルのない実世界のサンプルが豊富にあると仮定することが多い。
実世界のデータサンプルが1つしか利用できない,一発の教師なしシム・トゥ・リアル・ドメイン適応(OSUDA)と一般化問題について検討する。
論文 参考訳（メタデータ） (2022-12-14T15:54:15Z) - Chest x-ray automated triage: a semiologic approach designed for
clinical implementation, exploiting different types of labels through a
combination of four Deep Learning architectures [83.48996461770017]
本研究では,異なる畳み込みアーキテクチャの後期融合に基づく深層学習手法を提案する。
公開胸部x線画像と機関アーカイブを組み合わせたトレーニングデータセットを4つ構築した。
4つの異なるディープラーニングアーキテクチャをトレーニングし、それらのアウトプットとレイトフュージョン戦略を組み合わせることで、統一されたツールを得ました。
論文 参考訳（メタデータ） (2020-12-23T14:38:35Z) - DIRL: Domain-Invariant Representation Learning for Sim-to-Real Transfer [2.119586259941664]
本稿では,ドメイン不変表現学習(DIRL)アルゴリズムを提案する。
桁領域の実験は、挑戦的なベンチマークで最先端のパフォーマンスを得る。
論文 参考訳（メタデータ） (2020-11-15T17:39:01Z) - 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-to-Real Domain Adaptation for Lane Detection [5.811502603310248]
我々は、ラベルなしまたは部分的にラベル付けされたターゲットドメインデータとともに、豊富でランダムに生成された合成データからの学習を探索する。
これは、非現実的な合成領域で学んだモデルを実画像に適応させることの難しさを浮き彫りにする。
対象のドメインデータに適応するために、特定の画像と一致しない合成ラベルを用いる、新しいオートエンコーダベースのアプローチを開発する。
論文 参考訳（メタデータ） (2020-07-08T10:54:21Z)
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。