論文の概要: Dataset Distillation for Medical Dataset Sharing

• arxiv url: http://arxiv.org/abs/2209.14603v2
• Date: Fri, 30 Sep 2022 03:50:35 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-03 13:55:04.059191
• Title: Dataset Distillation for Medical Dataset Sharing
• Title（参考訳）: 医療データ共有のためのデータセット蒸留
• Authors: Guang Li, Ren Togo, Takahiro Ogawa, Miki Haseyama
• Abstract要約: データセットの蒸留は、トレーニングされたモデルが元の大きなデータセットと同等のパフォーマンスを達成するように、小さなデータセットを合成することができる。 新型コロナウイルスの胸部X線画像データセットによる実験結果から,胸部X線画像が不足していても高い検出性能が得られた。
• 参考スコア（独自算出の注目度）: 38.65823547986758
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Sharing medical datasets between hospitals is challenging because of the privacy-protection problem and the massive cost of transmitting and storing many high-resolution medical images. However, dataset distillation can synthesize a small dataset such that models trained on it achieve comparable performance with the original large dataset, which shows potential for solving the existing medical sharing problems. Hence, this paper proposes a novel dataset distillation-based method for medical dataset sharing. Experimental results on a COVID-19 chest X-ray image dataset show that our method can achieve high detection performance even using scarce anonymized chest X-ray images.
• Abstract（参考訳）: 病院間で医療データセットを共有するのは、プライバシー保護の問題と、多くの高解像度医療画像の送受信に膨大なコストがかかるため困難である。 しかし、データセットの蒸留は、トレーニングされたモデルが元の大きなデータセットと同等のパフォーマンスを達成できるように、小さなデータセットを合成することができる。 そこで本稿では, 医用データセット共有のための新しい蒸留法を提案する。 新型コロナウイルスの胸部x線画像データセットにおける実験結果から, 匿名化胸部x線画像を用いても高い検出性能が得られた。

関連論文リスト

• Dataset Distillation in Medical Imaging: A Feasibility Study [16.44272552893816]
  医療画像解析分野におけるデータの共有は、まだ未承認のままである。 可能な解決策の1つは、同様のモデルパフォーマンスを保ちながら、データセット全体の転送を避けることである。 コンピュータ科学におけるデータ蒸留の最近の進歩は、医療データを効率的に共有する有望な可能性を示している。
  論文  参考訳（メタデータ） (2024-07-19T15:59:04Z)
• EMIT-Diff: Enhancing Medical Image Segmentation via Text-Guided Diffusion Model [4.057796755073023]
  EMIT-Diffと呼ばれる医用画像合成のための制御可能な拡散モデルを開発した。 近年の拡散確率モデルを利用して、現実的で多様な合成医用画像データを生成する。 提案手法では, 合成試料が医療上の制約に適合することを確実にする。
  論文  参考訳（メタデータ） (2023-10-19T16:18:02Z)
• Detecting Shortcuts in Medical Images -- A Case Study in Chest X-rays [0.22940141855172028]
  2つの公開データセットを用いた胸部X線症例について検討した。 気胸画像のサブセットに対するアノテーションをドレインで共有する。
  論文  参考訳（メタデータ） (2022-11-08T14:36:33Z)
• Compressed Gastric Image Generation Based on Soft-Label Dataset Distillation for Medical Data Sharing [38.65823547986758]
  医療データセットの大規模、保存された深層畳み込みニューラルネットワーク(DCNN)モデルの膨大なメモリ、患者のプライバシ保護は、非効率な医療データ共有につながる問題である。 本研究では,医療データ共有のための新しいソフトラベルデータセット蒸留法を提案する。
  論文  参考訳（メタデータ） (2022-09-29T08:52:04Z)
• Soft-Label Anonymous Gastric X-ray Image Distillation [49.24576562557866]
  本稿では,勾配降下法に基づく軟式ラベル匿名胃X線画像蒸留法を提案する。 実験の結果,提案手法は医療データセットを効果的に圧縮するだけでなく,患者の個人情報を保護するために医療画像の匿名化も可能であることがわかった。
  論文  参考訳（メタデータ） (2021-04-07T02:04:12Z)
• Variational Knowledge Distillation for Disease Classification in Chest X-Rays [102.04931207504173]
  我々は,X線に基づく疾患分類のための新しい確率的推論フレームワークである反復的知識蒸留(VKD)を提案する。 提案手法の有効性を,X線画像とEHRを用いた3つの公開ベンチマークデータセットに示す。
  論文  参考訳（メタデータ） (2021-03-19T14:13:56Z)
• FLOP: Federated Learning on Medical Datasets using Partial Networks [84.54663831520853]
  新型コロナウイルスの感染拡大で医療資源が不足している。 新型コロナウイルスの診断を緩和するために、さまざまなデータ駆動型ディープラーニングモデルが開発されている。 患者のプライバシー上の懸念から、データそのものはまだ乏しい。 我々は、textbfPartial Networks (FLOP) を用いた、シンプルで効果的な textbfFederated textbfL textbfon Medical データセットを提案する。
  論文  参考訳（メタデータ） (2021-02-10T01:56:58Z)
• Learning Invariant Feature Representation to Improve Generalization across Chest X-ray Datasets [55.06983249986729]
  我々は、トレーニングデータと同じデータセットでテストすると、ディープラーニングモデルが、異なるソースからデータセットでテストされると、パフォーマンスが低下し始めることを示す。 対戦型トレーニング戦略を用いることで、ネットワークはソース不変表現を学習せざるを得ないことを示す。
  論文  参考訳（メタデータ） (2020-08-04T07:41:15Z)
• Deep Mining External Imperfect Data for Chest X-ray Disease Screening [57.40329813850719]
  我々は、外部のCXRデータセットを組み込むことで、不完全なトレーニングデータにつながると論じ、課題を提起する。 本研究は,多ラベル病分類問題を重み付き独立二分課題として分類する。 我々のフレームワークは、ドメインとラベルの相違を同時にモデル化し、対処し、優れた知識マイニング能力を実現する。
  論文  参考訳（メタデータ） (2020-06-06T06:48:40Z)

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。