論文の概要: Data Augmentation using Feature Generation for Volumetric Medical Images
- arxiv url: http://arxiv.org/abs/2209.14097v1
- Date: Wed, 28 Sep 2022 13:46:24 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-29 16:36:15.691336
- Title: Data Augmentation using Feature Generation for Volumetric Medical Images
- Title(参考訳): ボリューム医用画像の特徴生成によるデータ拡張
- Authors: Khushboo Mehra, Hassan Soliman, Soumya Ranjan Sahoo
- Abstract要約: 医用画像分類は画像認識領域で最も重要な問題の一つである。
この分野での大きな課題の1つは、ラベル付きトレーニングデータの不足である。
特にディープラーニングモデルでは,画像のセグメンテーションや分類問題に関する有望な結果が示されている。
- 参考スコア(独自算出の注目度): 0.08594140167290097
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Medical image classification is one of the most critical problems in the
image recognition area. One of the major challenges in this field is the
scarcity of labelled training data. Additionally, there is often class
imbalance in datasets as some cases are very rare to happen. As a result,
accuracy in classification task is normally low. Deep Learning models, in
particular, show promising results on image segmentation and classification
problems, but they require very large datasets for training. Therefore, there
is a need to generate more of synthetic samples from the same distribution.
Previous work has shown that feature generation is more efficient and leads to
better performance than corresponding image generation. We apply this idea in
the Medical Imaging domain. We use transfer learning to train a segmentation
model for the small dataset for which gold-standard class annotations are
available. We extracted the learnt features and use them to generate synthetic
features conditioned on class labels, using Auxiliary Classifier GAN (ACGAN).
We test the quality of the generated features in a downstream classification
task for brain tumors according to their severity level. Experimental results
show a promising result regarding the validity of these generated features and
their overall contribution to balancing the data and improving the
classification class-wise accuracy.
- Abstract(参考訳): 医用画像分類は画像認識領域で最も重要な問題の一つである。
この分野で大きな課題の1つは、ラベル付きトレーニングデータの不足である。
さらに、データセットにはクラス不均衡がしばしばあり、場合によっては発生することは極めて稀である。
その結果、分類作業の精度は通常低い。
特にディープラーニングモデルは、画像セグメンテーションと分類問題に関する有望な結果を示すが、トレーニングには非常に大きなデータセットが必要である。
したがって、同じ分布からより多くの合成サンプルを生成する必要がある。
以前の研究では、特徴生成はより効率的で、対応する画像生成よりも優れたパフォーマンスをもたらすことが示されている。
この考え方を医療画像領域に適用する。
我々は、ゴールドスタンダードのクラスアノテーションが利用できる小さなデータセットのセグメンテーションモデルをトレーニングするために、転送学習を使用します。
学習した特徴を抽出し,Auxiliary Classifier GAN(ACGAN)を用いてクラスラベルに条件付き合成特徴を生成する。
我々は,脳腫瘍の下流分類タスクにおいて,その重症度に応じて生成した特徴の質をテストする。
実験の結果, 生成した特徴の妥当性, データのバランスと分類精度の向上に寄与する有望な結果が得られた。
関連論文リスト
- Unleashing the Potential of Synthetic Images: A Study on Histopathology Image Classification [0.12499537119440242]
病理組織像分類は様々な疾患の正確な同定と診断に重要である。
合成画像は、既存のデータセットを効果的に増強し、最終的に下流の病理組織像分類タスクの性能を向上させることができることを示す。
論文 参考訳(メタデータ) (2024-09-24T12:02:55Z) - SatSynth: Augmenting Image-Mask Pairs through Diffusion Models for Aerial Semantic Segmentation [69.42764583465508]
我々は,地球観測における注釈付きデータの不足に対処するために,生成的画像拡散の可能性を探る。
我々の知る限りでは、衛星セグメンテーションのための画像と対応するマスクの両方を最初に生成する。
論文 参考訳(メタデータ) (2024-03-25T10:30:22Z) - Additional Look into GAN-based Augmentation for Deep Learning COVID-19
Image Classification [57.1795052451257]
我々は,GANに基づく拡張性能のデータセットサイズ依存性について,小サンプルに着目して検討した。
両方のセットでStyleGAN2-ADAをトレーニングし、生成した画像の品質を検証した後、マルチクラス分類問題における拡張アプローチの1つとしてトレーニングされたGANを使用する。
GANベースの拡張アプローチは、中規模および大規模データセットでは古典的な拡張に匹敵するが、より小さなデータセットでは不十分である。
論文 参考訳(メタデータ) (2024-01-26T08:28:13Z) - Performance of GAN-based augmentation for deep learning COVID-19 image
classification [57.1795052451257]
ディープラーニングを医療分野に適用する上で最大の課題は、トレーニングデータの提供である。
データ拡張は、限られたデータセットに直面した時に機械学習で使用される典型的な方法論である。
本研究は, 新型コロナウイルスの胸部X線画像セットを限定して, StyleGAN2-ADAモデルを用いて訓練するものである。
論文 参考訳(メタデータ) (2023-04-18T15:39:58Z) - Information Gain Sampling for Active Learning in Medical Image
Classification [3.1619162190378787]
本研究は,ラベル付け対象プールからの最適な画像選択を誘導する情報理論のアクティブラーニングフレームワークを提案する。
2つの異なる医用画像分類データセットで実験を行う。
論文 参考訳(メタデータ) (2022-08-01T16:25:53Z) - Application of Transfer Learning and Ensemble Learning in Image-level
Classification for Breast Histopathology [9.037868656840736]
CAD(Computer-Aided Diagnosis)では、従来の分類モデルでは、主に1つのネットワークを使って特徴を抽出する。
本稿では良性病変と悪性病変のバイナリ分類のための画像レベルラベルに基づく深層アンサンブルモデルを提案する。
結果: アンサンブルネットワークモデルにおいて、画像レベルのバイナリ分類は9,8.90%の精度を達成する。
論文 参考訳(メタデータ) (2022-04-18T13:31:53Z) - Weakly-supervised Generative Adversarial Networks for medical image
classification [1.479639149658596]
Weakly-Supervised Generative Adversarial Networks (WSGAN) と呼ばれる新しい医用画像分類アルゴリズムを提案する。
WSGANは、ラベルのない少数の実画像のみを使用して、偽画像やマスク画像を生成し、トレーニングセットのサンプルサイズを拡大する。
ラベル付きデータやラベルなしデータの少ない使用により,WSGANは比較的高い学習性能が得られることを示す。
論文 参考訳(メタデータ) (2021-11-29T15:38:48Z) - Enhancing Fine-Grained Classification for Low Resolution Images [97.82441158440527]
低解像度画像は、限られた情報内容の固有の課題と、サブカテゴリ分類に有用な詳細の欠如に悩まされる。
本研究では,補助情報を用いて分類の識別的特徴を学習する,新たな属性支援損失を提案する。
提案する損失関数により、モデルは属性レベルの分離性を取り入れながら、クラス固有の識別特徴を学習することができる。
論文 参考訳(メタデータ) (2021-05-01T13:19:02Z) - 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) - Multi-label Thoracic Disease Image Classification with Cross-Attention
Networks [65.37531731899837]
胸部X線画像から胸部疾患を自動分類するためのCAN(Cross-Attention Networks)を提案する。
また,クロスエントロピー損失を超える新たな損失関数を設計し,クラス間の不均衡を克服する。
論文 参考訳(メタデータ) (2020-07-21T14:37:00Z)
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。