論文の概要: Compressed Gastric Image Generation Based on Soft-Label Dataset Distillation for Medical Data Sharing

• arxiv url: http://arxiv.org/abs/2209.14635v1
• Date: Thu, 29 Sep 2022 08:52:04 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-30 16:02:20.853534
• Title: Compressed Gastric Image Generation Based on Soft-Label Dataset Distillation for Medical Data Sharing
• Title（参考訳）: 医用データ共有のためのソフトラベルデータセット蒸留による圧縮胃画像生成
• Authors: Guang Li, Ren Togo, Takahiro Ogawa, Miki Haseyama
• Abstract要約: 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。
• 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: Background and objective: Sharing of medical data is required to enable the cross-agency flow of healthcare information and construct high-accuracy computer-aided diagnosis systems. However, the large sizes of medical datasets, the massive amount of memory of saved deep convolutional neural network (DCNN) models, and patients' privacy protection are problems that can lead to inefficient medical data sharing. Therefore, this study proposes a novel soft-label dataset distillation method for medical data sharing. Methods: The proposed method distills valid information of medical image data and generates several compressed images with different data distributions for anonymous medical data sharing. Furthermore, our method can extract essential weights of DCNN models to reduce the memory required to save trained models for efficient medical data sharing. Results: The proposed method can compress tens of thousands of images into several soft-label images and reduce the size of a trained model to a few hundredths of its original size. The compressed images obtained after distillation have been visually anonymized; therefore, they do not contain the private information of the patients. Furthermore, we can realize high-detection performance with a small number of compressed images. Conclusions: The experimental results show that the proposed method can improve the efficiency and security of medical data sharing.
• Abstract（参考訳）: 背景と目的:医療情報の横断的フローを可能にし,高精度なコンピュータ支援診断システムを構築するためには,医療データの共有が不可欠である。 しかし、大量の医療データセット、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、および患者のプライバシ保護は、医療データ共有の非効率化につながる可能性がある。 そこで本研究では,医療データ共有のためのソフトラベルデータセット蒸留法を提案する。 方法:提案手法では,医療画像データの有効情報を蒸留し,匿名医療データ共有のために異なるデータ分布を持つ圧縮画像を生成する。 さらに,本手法はDCNNモデルの重みを抽出し,効率的な医用データ共有のためのトレーニングモデルの保存に必要なメモリを削減できる。 結果: 提案手法は, 数万枚の画像を複数のソフトラベル画像に圧縮し, トレーニングしたモデルのサイズを原サイズの数百分の1に削減する。 蒸留後に得られた圧縮画像は視覚的に匿名化されており,患者の個人情報は含まない。 さらに,少ない圧縮画像で高検出性能を実現することができる。 結論: 実験の結果, 提案手法は医療データ共有の効率性と安全性を向上させることができることが示された。

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)
• Radiology Report Generation Using Transformers Conditioned with Non-imaging Data [55.17268696112258]
  本稿では,胸部X線画像と関連する患者の人口統計情報を統合したマルチモーダルトランスフォーマーネットワークを提案する。 提案ネットワークは、畳み込みニューラルネットワークを用いて、CXRから視覚的特徴を抽出し、その視覚的特徴と患者の人口統計情報のセマンティックテキスト埋め込みを組み合わせたトランスフォーマーベースのエンコーダデコーダネットワークである。
  論文  参考訳（メタデータ） (2023-11-18T14:52:26Z)
• 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)
• LVM-Med: Learning Large-Scale Self-Supervised Vision Models for Medical Imaging via Second-order Graph Matching [59.01894976615714]
  LVM-Medは、大規模医療データセットに基づいてトレーニングされた、最初のディープネットワークファミリーである。 55の公開データセットから約13万の医療画像を収集しました。 LVM-Medは、多くの最先端の教師付き、自己監督型、基礎モデルよりも経験的に優れている。
  論文  参考訳（メタデータ） (2023-06-20T22:21:34Z)
• Learnable Weight Initialization for Volumetric Medical Image Segmentation [66.3030435676252]
  本稿では,学習可能な重みに基づくハイブリッド医療画像セグメンテーション手法を提案する。 我々のアプローチはどんなハイブリッドモデルにも簡単に統合でき、外部のトレーニングデータを必要としない。 多臓器・肺がんセグメンテーションタスクの実験は、我々のアプローチの有効性を実証している。
  論文  参考訳（メタデータ） (2023-06-15T17:55:05Z)
• Dataset Distillation for Medical Dataset Sharing [38.65823547986758]
  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。
  論文  参考訳（メタデータ） (2022-09-29T07:49:20Z)
• Soft-CP: A Credible and Effective Data Augmentation for Semantic Segmentation of Medical Lesions [4.001984499227037]
  医学的病変のセマンティックセグメンテーションをオフラインで行うために,Copy-Paste拡張法を組み合わせた新しいオブジェクトブレンド法を提案する。 KiTS19[2]データセットの実験では、Soft-CPは既存の医学的病変合成法よりも優れている。
  論文  参考訳（メタデータ） (2022-03-20T09:40:04Z)
• 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)
• Generative Adversarial U-Net for Domain-free Medical Image Augmentation [49.72048151146307]
  注釈付き医用画像の不足は、医用画像コンピューティングの分野における最大の課題の1つだ。 本稿では,生成逆U-Netという新しい生成手法を提案する。 当社の新しいモデルは、ドメインフリーで、さまざまな医療画像に汎用性があります。
  論文  参考訳（メタデータ） (2021-01-12T23:02:26Z)

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。