論文の概要: Domain-guided data augmentation for deep learning on medical imaging
- arxiv url: http://arxiv.org/abs/2210.04977v1
- Date: Mon, 10 Oct 2022 19:21:03 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-12 14:10:17.323305
- Title: Domain-guided data augmentation for deep learning on medical imaging
- Title（参考訳）: 医用画像の深層学習のためのドメイン誘導型データ拡張
- Authors: Chinmayee Athalye, Rima Arnaout
- Abstract要約: ドメイン固有のデータ拡張が医療画像撮影に有用かどうかを, よく観察された課題を用いて検証した。
得られたトレーニングモデルの性能から、有効なトレーニングデータを作成します。
当社は,オンライン形式でのbespokeデータ拡張の実行を容易にするために,オープンソースコードを提供しています。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: While domain-specific data augmentation can be useful in training neural
networks for medical imaging tasks, such techniques have not been widely used
to date. Here, we test whether domain-specific data augmentation is useful for
medical imaging using a well-benchmarked task: view classification on fetal
ultrasound FETAL-125 and OB-125 datasets. We found that using a
context-preserving cut-paste strategy, we could create valid training data as
measured by performance of the resulting trained model on the benchmark test
dataset. When used in an online fashion, models trained on this data performed
similarly to those trained using traditional data augmentation (FETAL-125
F-score 85.33+/-0.24 vs 86.89+/-0.60, p-value 0.0139; OB-125 F-score
74.60+/-0.11 vs 72.43+/-0.62, p-value 0.0039). Furthermore, the ability to
perform augmentations during training time, as well as the ability to apply
chosen augmentations equally across data classes, are important considerations
in designing a bespoke data augmentation. Finally, we provide open-source code
to facilitate running bespoke data augmentations in an online fashion. Taken
together, this work expands the ability to design and apply domain-guided data
augmentations for medical imaging tasks.
- Abstract（参考訳）: ドメイン固有のデータ拡張は、医療画像タスクのためのニューラルネットワークのトレーニングに有用であるが、そのような技術は、これまで広く使われていなかった。
本稿では, 胎児超音波-125およびob-125データセットのビュー分類を用いて, 領域特異的データ拡張が医用画像診断に有用かどうかを検証した。
その結果、文脈保存型カットペースト戦略を用いて、ベンチマークテストデータセット上で得られたトレーニングモデルのパフォーマンスから、有効なトレーニングデータを作成することができた。
オンライン方式で使用する場合、このデータに基づいてトレーニングされたモデルは、従来のデータ拡張(FETAL-125 F-score 85.33+/-0.24 vs 86.89+/-0.60, p-value 0.0139; OB-125 F-score 74.60+/-0.11 vs 72.43+/-0.62, p-value 0.0039)と同様に実行される。
さらに、トレーニング期間中に拡張を行う能力や、選択した拡張をデータクラス間で等しく適用する能力は、データ拡張の設計において重要な考慮事項である。
最後に、我々は、オンライン形式でのbespokeデータ拡張の実行を容易にするオープンソースコードを提供する。
まとめると、この研究は、医療画像のタスクにドメイン誘導データ拡張を設計および適用する能力を拡大する。
関連論文リスト
- 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) - Semantically Redundant Training Data Removal and Deep Model
Classification Performance: A Study with Chest X-rays [5.454938535500864]
本稿では,意味的に冗長なトレーニングデータを識別・除去するためのエントロピーに基づくサンプルスコアリング手法を提案する。
我々は、トレーニングデータの情報サブセットに基づいてトレーニングされたモデルが、トレーニングセット全体においてトレーニングされたモデルよりも大幅に優れる、公開可能なNIH胸部X線データセットを使用することを実証する。
論文 参考訳（メタデータ） (2023-09-18T13:56:34Z) - Vision-Language Modelling For Radiological Imaging and Reports In The
Low Data Regime [70.04389979779195]
本稿では,視覚および言語入力を共通空間に埋め込んだ医用視覚言語モデル(VLM)について検討する。
本稿では,新しい画像領域やテキスト領域への汎用事前学習モデルの適用など,低データ性能向上のためのいくつかの候補手法について検討する。
テキスト・ツー・イメージ検索をベンチマークとして,2つの胸部X線および放射線学的報告を用いた可変サイズのトレーニングデータセットを用いて,これらの手法の性能評価を行った。
論文 参考訳（メタデータ） (2023-03-30T18:20:00Z) - Data-Efficient Vision Transformers for Multi-Label Disease
Classification on Chest Radiographs [55.78588835407174]
視覚変換器(ViT)は一般的な画像の分類性能が高いにもかかわらず、このタスクには適用されていない。
ViTは、畳み込みではなくパッチベースの自己アテンションに依存しており、CNNとは対照的に、ローカル接続に関する事前の知識は存在しない。
以上の結果から,ViTとCNNのパフォーマンスはViTの利点に匹敵するものの,DeiTsはトレーニング用に適度に大規模なデータセットが利用可能であれば,前者よりも優れることがわかった。
論文 参考訳（メタデータ） (2022-08-17T09:07:45Z) - Learning from few examples: Classifying sex from retinal images via deep
learning [3.9146761527401424]
基礎画像から患者の性別を分類するために,小データセット上でのDLの性能について紹介する。
約2500基の画像を用いて開発した本モデルでは,最大0.72点のAUCスコアが得られた。
これは、データセットサイズが1000倍近く減少しているにもかかわらず、わずか25%のパフォーマンス低下に相当する。
論文 参考訳（メタデータ） (2022-07-20T02:47:29Z) - BERT WEAVER: Using WEight AVERaging to enable lifelong learning for
transformer-based models in biomedical semantic search engines [49.75878234192369]
We present WEAVER, a simple, yet efficient post-processing method that infuse old knowledge into the new model。
WEAVERを逐次的に適用すると、同じ単語の埋め込み分布が、一度にすべてのデータに対する総合的なトレーニングとして得られることを示す。
論文 参考訳（メタデータ） (2022-02-21T10:34:41Z) - Enhanced Transfer Learning Through Medical Imaging and Patient
Demographic Data Fusion [0.0]
画像特徴と関連する非画像データとを組み合わせた医療画像データの分類における性能向上について検討した。
特徴抽出器として直接使用し,対象領域に微調整を施したImageNetで事前訓練したネットワークを用いた転送学習を利用する。
論文 参考訳（メタデータ） (2021-11-29T09:11:52Z) - Evaluation of Deep Convolutional Generative Adversarial Networks for
data augmentation of chest X-ray images [0.0]
医用画像データセットは通常、データを取得し、アノテーションを消費するコストが高いため、不均衡である。
本研究では,Chest X-raysデータセット上で生成モデルを用いてデータ拡張を行った。
論文 参考訳（メタデータ） (2020-09-02T16:43:55Z) - Omni-supervised Facial Expression Recognition via Distilled Data [120.11782405714234]
ネットワークトレーニングにおいて,信頼度の高いサンプルを多量のラベルのないデータで活用するためのオムニ教師付き学習を提案する。
我々は,新しいデータセットが学習したFERモデルの能力を大幅に向上させることができることを実験的に検証した。
そこで本研究では,生成したデータセットを複数のクラスワイド画像に圧縮するために,データセット蒸留戦略を適用することを提案する。
論文 参考訳（メタデータ） (2020-05-18T09:36:51Z) - Data augmentation using generative networks to identify dementia [20.137419355252362]
生成モデルはデータ拡張の効果的なアプローチとして利用できることを示す。
本稿では,認知症自動検出システムから抽出した音声と音声の異なる特徴に対する類似したアプローチの適用について検討する。
論文 参考訳（メタデータ） (2020-04-13T15:05:24Z) - Automatic Data Augmentation via Deep Reinforcement Learning for
Effective Kidney Tumor Segmentation [57.78765460295249]
医用画像セグメンテーションのための新しい学習ベースデータ拡張法を開発した。
本手法では,データ拡張モジュールと後続のセグメンテーションモジュールをエンドツーエンドのトレーニング方法で一貫した損失と,革新的に組み合わせる。
提案法の有効性を検証したCT腎腫瘍分節法について,本法を広範囲に評価した。
論文 参考訳（メタデータ） (2020-02-22T14:10:13Z)
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。