論文の概要: Random Data Augmentation based Enhancement: A Generalized Enhancement
Approach for Medical Datasets
- arxiv url: http://arxiv.org/abs/2210.00824v1
- Date: Mon, 3 Oct 2022 11:16:22 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-04 14:50:08.861135
- Title: Random Data Augmentation based Enhancement: A Generalized Enhancement
Approach for Medical Datasets
- Title(参考訳): ランダムデータ拡張に基づくエンハンスメント:医療データセットに対する一般化エンハンスメントアプローチ
- Authors: Sidra Aleem, Teerath Kumar, Suzanne Little, Malika Bendechache, Rob
Brennan and Kevin McGuinness
- Abstract要約: 本稿では、DLの医療データ品質を改善するために、一般化された、データに依存しない、効率的な拡張手法を開発する。
画質は、画像の明るさとコントラストを改善することで向上する。
新型コロナウイルスの胸部X線、KiTS19、LC25000データセットによるRGB画像の実験が実施されている。
- 参考スコア(独自算出の注目度): 8.844562557753399
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Over the years, the paradigm of medical image analysis has shifted from
manual expertise to automated systems, often using deep learning (DL) systems.
The performance of deep learning algorithms is highly dependent on data
quality. Particularly for the medical domain, it is an important aspect as
medical data is very sensitive to quality and poor quality can lead to
misdiagnosis. To improve the diagnostic performance, research has been done
both in complex DL architectures and in improving data quality using dataset
dependent static hyperparameters. However, the performance is still constrained
due to data quality and overfitting of hyperparameters to a specific dataset.
To overcome these issues, this paper proposes random data augmentation based
enhancement. The main objective is to develop a generalized, data-independent
and computationally efficient enhancement approach to improve medical data
quality for DL. The quality is enhanced by improving the brightness and
contrast of images. In contrast to the existing methods, our method generates
enhancement hyperparameters randomly within a defined range, which makes it
robust and prevents overfitting to a specific dataset. To evaluate the
generalization of the proposed method, we use four medical datasets and compare
its performance with state-of-the-art methods for both classification and
segmentation tasks. For grayscale imagery, experiments have been performed
with: COVID-19 chest X-ray, KiTS19, and for RGB imagery with: LC25000 datasets.
Experimental results demonstrate that with the proposed enhancement
methodology, DL architectures outperform other existing methods. Our code is
publicly available at:
https://github.com/aleemsidra/Augmentation-Based-Generalized-Enhancement
- Abstract(参考訳): 長年にわたり、医療画像分析のパラダイムは、手動の専門知識から自動化システムへと移行し、しばしばディープラーニング(DL)システムを使用してきた。
ディープラーニングアルゴリズムのパフォーマンスは、データ品質に大きく依存します。
特に医療分野では、医療データが品質に非常に敏感であり、品質の低下が誤診につながるため、重要な側面である。
診断性能を向上させるため,複雑なDLアーキテクチャと,データセット依存型静的ハイパーパラメータを用いたデータ品質の向上が研究されている。
しかしながら、データ品質とハイパーパラメータを特定のデータセットにオーバーフィットするため、パフォーマンスは依然として制限されている。
この問題を解決するために,ランダムデータ拡張に基づく拡張を提案する。
主な目的は、dlの医療データ品質を改善するために、汎用的でデータ非依存で計算効率の良い拡張アプローチを開発することである。
画質は、画像の明るさとコントラストを改善することで向上する。
既存の手法とは対照的に,提案手法は特定範囲内でランダムに拡張ハイパーパラメータを生成するため,頑健であり,特定のデータセットへの過剰フィットを防止できる。
提案手法の一般化を評価するために,4つの医療データセットを使用し,その性能を分類タスクとセグメント化タスクの両方の最先端手法と比較した。
グレースケールの画像については、COVID-19胸部X線、KiTS19、およびRGBイメージ:LC25000データセットで実験が行われた。
実験により,提案手法により,DLアーキテクチャが既存手法より優れていることが示された。
私たちのコードは、https://github.com/aleemsidra/Augmentation-Based-Generalized-Enhancementで公開されています。
関連論文リスト
- A Study of Data Augmentation Techniques to Overcome Data Scarcity in Wound Classification using Deep Learning [0.0]
データ拡張により、最先端モデル上での分類性能、F1スコアが最大11%向上することを示す。
GANをベースとした拡張実験により, DE-GANを用いて創傷像をよりリッチに生成できることが証明された。
論文 参考訳(メタデータ) (2024-11-04T00:24:50Z) - 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) - GAN-GA: A Generative Model based on Genetic Algorithm for Medical Image
Generation [0.0]
生成モデルは、医療画像不足問題に対処するための有望な解決策を提供する。
本稿では遺伝的アルゴリズムを組み込んだ生成モデルであるGAN-GAを提案する。
提案モデルは特徴を保ちながら画像の忠実度と多様性を向上させる。
論文 参考訳(メタデータ) (2023-12-30T20:16:45Z) - The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease
detection [51.697248252191265]
この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。
我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。
このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
論文 参考訳(メタデータ) (2023-09-13T10:40:41Z) - 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) - Leveraging Semi-Supervised Graph Learning for Enhanced Diabetic
Retinopathy Detection [0.0]
糖尿病網膜症(DR: Diabetic Retinopathy)は、早期発見と治療の急激な必要性を浮き彫りにしている。
機械学習(ML)技術の最近の進歩は、DR検出における将来性を示しているが、ラベル付きデータの可用性は、しばしばパフォーマンスを制限している。
本研究では,DR検出に適したSemi-Supervised Graph Learning SSGLアルゴリズムを提案する。
論文 参考訳(メタデータ) (2023-09-02T04:42:08Z) - MedAugment: Universal Automatic Data Augmentation Plug-in for Medical Image Analysis [9.724228319915609]
データ拡張(DA)は、データ不足を軽減するためにコンピュータビジョンで広く活用されている。
医学画像解析(MIA)におけるDAは、複数の課題に直面している。
我々はMedAugmentと呼ばれる効率的かつ効果的な自動DA手法を提案する。
論文 参考訳(メタデータ) (2023-06-30T08:22:48Z) - 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) - Auto-FedRL: Federated Hyperparameter Optimization for
Multi-institutional Medical Image Segmentation [48.821062916381685]
Federated Learning(FL)は、明示的なデータ共有を避けながら協調的なモデルトレーニングを可能にする分散機械学習技術である。
本稿では,Auto-FedRLと呼ばれる,効率的な強化学習(RL)に基づくフェデレーションハイパーパラメータ最適化アルゴリズムを提案する。
提案手法の有効性は,CIFAR-10データセットと2つの実世界の医用画像セグメンテーションデータセットの不均一なデータ分割に対して検証される。
論文 参考訳(メタデータ) (2022-03-12T04:11:42Z) - Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for
Thoracic Disease Identification [83.6017225363714]
ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。
胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。
本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
論文 参考訳(メタデータ) (2021-02-26T02:29:30Z) - Automatic Data Augmentation for 3D Medical Image Segmentation [37.262350163905445]
医用画像分割作業において、識別可能な自動データ拡張が採用されたのは、これが初めてである。
我々の数値実験により,提案手法は,最先端モデルの既存のビルトインデータ拡張を著しく上回っていることが示された。
論文 参考訳(メタデータ) (2020-10-07T12:51:17Z)
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。