論文の概要: Evaluating the Performance of StyleGAN2-ADA on Medical Images
- arxiv url: http://arxiv.org/abs/2210.03786v1
- Date: Fri, 7 Oct 2022 19:18:55 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-11 15:23:42.010689
- Title: Evaluating the Performance of StyleGAN2-ADA on Medical Images
- Title（参考訳）: 医用画像におけるStyleGAN2-ADAの性能評価
- Authors: McKell Woodland, John Wood, Brian M. Anderson, Suprateek Kundu, Ethan
Lin, Eugene Koay, Bruno Odisio, Caroline Chung, Hyunseon Christine Kang,
Aradhana M. Venkatesan, Sireesha Yedururi, Brian De, Yuan-Mao Lin, Ankit B.
Patel, Kristy K. Brock
- Abstract要約: GAN(Generative Adversarial Network)は医療画像の分野で有望である。
本研究は,高分解能医用画像データセットに対するStyleGAN2-ADAの新たな応用として,これらの障害について検討する。
ネットワークの生成品質はFr'echet Inception Distance (FID)で定量的に測定され、ビジュアルチューリングテストで定性的に測定された。
- 参考スコア（独自算出の注目度）: 1.093320965231788
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Although generative adversarial networks (GANs) have shown promise in medical
imaging, they have four main limitations that impeded their utility:
computational cost, data requirements, reliable evaluation measures, and
training complexity. Our work investigates each of these obstacles in a novel
application of StyleGAN2-ADA to high-resolution medical imaging datasets. Our
dataset is comprised of liver-containing axial slices from non-contrast and
contrast-enhanced computed tomography (CT) scans. Additionally, we utilized
four public datasets composed of various imaging modalities. We trained a
StyleGAN2 network with transfer learning (from the Flickr-Faces-HQ dataset) and
data augmentation (horizontal flipping and adaptive discriminator
augmentation). The network's generative quality was measured quantitatively
with the Fr\'echet Inception Distance (FID) and qualitatively with a visual
Turing test given to seven radiologists and radiation oncologists.
The StyleGAN2-ADA network achieved a FID of 5.22 ($\pm$ 0.17) on our liver CT
dataset. It also set new record FIDs of 10.78, 3.52, 21.17, and 5.39 on the
publicly available SLIVER07, ChestX-ray14, ACDC, and Medical Segmentation
Decathlon (brain tumors) datasets. In the visual Turing test, the clinicians
rated generated images as real 42% of the time, approaching random guessing.
Our computational ablation study revealed that transfer learning and data
augmentation stabilize training and improve the perceptual quality of the
generated images. We observed the FID to be consistent with human perceptual
evaluation of medical images. Finally, our work found that StyleGAN2-ADA
consistently produces high-quality results without hyperparameter searches or
retraining.
- Abstract（参考訳）: generative adversarial network (gans) は医用画像に有望であるが、計算コスト、データ要件、信頼性の高い評価尺度、トレーニング複雑性の4つの主な制限がある。
本研究は,高分解能医用画像データセットに対するStyleGAN2-ADAの新たな応用として,これらの障害について検討する。
本データセットは非コントラストおよび造影CTスキャンから肝含有軸スライスを用いて構成する。
さらに,様々な画像モダリティからなる4つの公開データセットを用いた。
我々は、転送学習(Flickr-Faces-HQデータセットから)とデータ拡張(水平フリップと適応型差別化)でStyleGAN2ネットワークを訓練した。
ネットワークの生成品質はFr'echet Inception Distance (FID)と定量的に測定され、7人の放射線学者と放射線腫瘍学者に与えられた視覚的チューリングテストと質的に測定された。
StyleGAN2-ADAネットワークは肝CTデータセット上で5.22(\pm$ 0.17)のFIDを達成した。
また、sliver07, chestx-ray14, acdc, medical segmentation decathlon (brain tumors) データセットに10.78, 3.52, 21.17, 5.39の新しい記録fidを設定した。
視覚チューリングテストでは、臨床医は生成した画像を実際の42%の確率で評価し、ランダムな推測に近づいた。
本研究は,伝達学習とデータ拡張がトレーニングを安定化させ,生成画像の知覚品質を向上させることを示す。
医用画像の人間の知覚的評価と一致したFIDを観察した。
最後に、我々は、StyleGAN2-ADAはハイパーパラメータ検索やリトレーニングなしで、常に高品質な結果が得られることを示した。
関連論文リスト
- Medical Imaging Complexity and its Effects on GAN Performance [1.776717121506676]
医用医用画像合成は, 画像合成のための強力な手法として, GAN (Generative Adversarial Network) による医用画像合成が登場した。
サンプルデータセットサイズと生成された画像の忠実度との関係を計測するベンチマークを実験的に確立する。
サンプルサイズが変化する複数の医用画像データセットをトレーニングした,最先端の2つのGANであるStyleGAN 3とSPADE-GANを用いて実験を行った。
論文 参考訳（メタデータ） (2024-10-23T15:28:25Z) - Applying Conditional Generative Adversarial Networks for Imaging Diagnosis [3.881664394416534]
本研究は、スタックド・ホアーグラス・ネットワーク(SHGN)と統合されたコンディショナル・ジェネレーション・アドバイザリアル・ネットワーク(C-GAN)の革新的な応用を紹介する。
我々は、複雑な画像データセットに適用されるディープラーニングモデルに共通するオーバーフィッティングの問題に、回転とスケーリングを通じてデータを増大させることで対処する。
血管内超音波(IVUS)画像において,L1とL2再構成損失を併用したハイブリッド損失関数を導入する。
論文 参考訳（メタデータ） (2024-07-17T23:23:09Z) - Synthetic Medical Imaging Generation with Generative Adversarial Networks For Plain Radiographs [34.98319691651471]
本研究の目的は、再利用可能なオープンソースの合成画像生成パイプラインであるGAN画像合成ツール(GIST)を開発することである。
このパイプラインは、特定の患者に関連付けられていない高品質な合成画像データを生成することによって、デジタルヘルス空間におけるAIアルゴリズムの改善と標準化を支援する。
論文 参考訳（メタデータ） (2024-03-28T02:51:33Z) - CathFlow: Self-Supervised Segmentation of Catheters in Interventional Ultrasound Using Optical Flow and Transformers [66.15847237150909]
縦型超音波画像におけるカテーテルのセグメンテーションのための自己教師型ディープラーニングアーキテクチャを提案する。
ネットワークアーキテクチャは、Attention in Attentionメカニズムで構築されたセグメンテーショントランスフォーマであるAiAReSeg上に構築されている。
我々は,シリコンオルタファントムから収集した合成データと画像からなる実験データセット上で,我々のモデルを検証した。
論文 参考訳（メタデータ） (2024-03-21T15:13:36Z) - 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) - 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) - 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) - DACov: A Deeper Analysis of Data Augmentation on the Computed Tomography
Segmentation Problem [0.0]
本稿では,医療画像のセグメンテーション性能向上のためのデータ拡張手法について,より深く分析する。
本稿では,GAN(Generative Adversarial Networks)に基づく新しいデータ拡張手法を提案する。
GANに基づく手法と空間レベルの変換が,この問題における深層モデルの学習を改善する上で最も有望であることを示す。
論文 参考訳（メタデータ） (2023-03-10T13:41:20Z) - Harmonizing Pathological and Normal Pixels for Pseudo-healthy Synthesis [68.5287824124996]
そこで本研究では,新しいタイプの識別器であるセグメンタを提案し,病変の正確な特定と擬似健康画像の視覚的品質の向上を図っている。
医用画像強調に生成画像を適用し,低コントラスト問題に対処するために拡張結果を利用する。
BraTSのT2モダリティに関する総合的な実験により、提案手法は最先端の手法よりも大幅に優れていることが示された。
論文 参考訳（メタデータ） (2022-03-29T08:41:17Z) - When Accuracy Meets Privacy: Two-Stage Federated Transfer Learning
Framework in Classification of Medical Images on Limited Data: A COVID-19
Case Study [77.34726150561087]
新型コロナウイルスのパンデミックが急速に広がり、世界の医療資源が不足している。
CNNは医療画像の解析に広く利用され、検証されている。
論文 参考訳（メタデータ） (2022-03-24T02:09:41Z) - GANs for Medical Image Synthesis: An Empirical Study [12.36854197042851]
GAN(Generative Adversarial Networks)はますます強力になり、心躍るフォトリアリズム画像を生み出しています。
本稿では,医療画像におけるGANのメリットを評価するために,マルチGANおよびマルチアプリケーション研究を行う。
論文 参考訳（メタデータ） (2021-05-11T19:21:39Z)
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。