論文の概要: Cutting-Splicing data augmentation: A novel technology for medical image segmentation

• arxiv url: http://arxiv.org/abs/2210.09099v1
• Date: Mon, 17 Oct 2022 13:52:01 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-18 19:44:55.447622
• Title: Cutting-Splicing data augmentation: A novel technology for medical image segmentation
• Title（参考訳）: カットスプライシングデータ拡張:医療画像セグメンテーションのための新しい技術
• Authors: Lianting Hu, Huiying Liang, Jiajie Tang, Xin Li, Li Huang, Long Lu
• Abstract要約: 医用画像分割のための新しいデータ拡張技術CS-DA法を開発した。 CS-DAは、異なる位置成分を異なる元の医療画像から新しい画像にスプライシングすることでデータセットを増強する。 従来のデータ拡張技術と比較すると、CS-DAはよりシンプルで堅牢である。
• 参考スコア（独自算出の注目度）: 16.48154487667144
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Background: Medical images are more difficult to acquire and annotate than natural images, which results in data augmentation technologies often being used in medical image segmentation tasks. Most data augmentation technologies used in medical segmentation were originally developed on natural images and do not take into account the characteristic that the overall layout of medical images is standard and fixed. Methods: Based on the characteristics of medical images, we developed the cutting-splicing data augmentation (CS-DA) method, a novel data augmentation technology for medical image segmentation. CS-DA augments the dataset by splicing different position components cut from different original medical images into a new image. The characteristics of the medical image result in the new image having the same layout as and similar appearance to the original image. Compared with classical data augmentation technologies, CS-DA is simpler and more robust. Moreover, CS-DA does not introduce any noise or fake information into the newly created image. Results: To explore the properties of CS-DA, many experiments are conducted on eight diverse datasets. On the training dataset with the small sample size, CS-DA can effectively increase the performance of the segmentation model. When CS-DA is used together with classical data augmentation technologies, the performance of the segmentation model can be further improved and is much better than that of CS-DA and classical data augmentation separately. We also explored the influence of the number of components, the position of the cutting line, and the splicing method on the CS-DA performance. Conclusions: The excellent performance of CS-DA in the experiment has confirmed the effectiveness of CS-DA, and provides a new data augmentation idea for the small sample segmentation task.
• Abstract（参考訳）: 背景: 医用画像は、自然画像よりも取得や注釈が難しいため、医療用画像分割タスクでしばしば使用されるデータ拡張技術が実現される。 医用セグメンテーションで使用されるほとんどのデータ拡張技術は、もともと自然画像上で開発されたもので、医用画像全体のレイアウトが標準で固定されているという特徴を考慮に入れていない。 方法: 医用画像の特徴に基づいて, 医用画像分割のための新しいデータ拡張技術であるカットスプライシングデータ拡張法(cs-da法)を開発した。 CS-DAは、異なる位置成分を異なる元の医療画像から新しい画像にスプライシングすることでデータセットを強化する。 医用画像の特徴は、元の画像と同一のレイアウトと類似した外観の新たな画像となる。 従来のデータ拡張技術と比較すると、CS-DAはよりシンプルで堅牢である。 また、cs-daは、新たに作成された画像にノイズやフェイク情報を一切導入しない。 結果: cs-daの特性を調べるために、8つの多様なデータセットで多くの実験が行われている。 サンプルサイズが小さいトレーニングデータセットでは、CS-DAはセグメンテーションモデルの性能を効果的に向上させることができる。 従来のデータ拡張技術と共にcs-daを使用する場合、セグメンテーションモデルの性能がさらに向上し、cs-daと古典データ拡張とを別々に改善することができる。 また,部品数,切断ラインの位置,スプライシング法がCS-DA性能に及ぼす影響についても検討した。 結論: 実験におけるCS-DAの優れた性能は,CS-DAの有効性を確認し,小サンプル分割タスクに新たなデータ拡張アイデアを提供する。

関連論文リスト

• Exploring Variational Autoencoders for Medical Image Generation: A Comprehensive Study [0.3749861135832073]
  可変オートエンコーダ(VAE)は、医用画像生成の分野で最も一般的な技術の一つである。 VAEには、小さなデータセットと不均衡なクラスを持つデータセットにサンプルを追加することで、データセットを改善するというメリットがある。
  論文  参考訳（メタデータ） (2024-11-11T20:12:13Z)
• 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)
• 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)
• 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)
• Semantic segmentation of surgical hyperspectral images under geometric domain shifts [69.91792194237212]
  本稿では、幾何学的アウト・オブ・ディストリビューション(OOD)データの存在下で、最先端のセマンティックセグメンテーションネットワークを初めて分析する。 有機移植(Organ transplantation)と呼ばれる専用の拡張技術により、一般化可能性にも対処する。 提案手法は,SOA DSCの最大67 % (RGB) と90% (HSI) を改善し,実際のOODテストデータ上での分配内性能と同等の性能を示す。
  論文  参考訳（メタデータ） (2023-03-20T09:50:07Z)
• This Intestine Does Not Exist: Multiscale Residual Variational Autoencoder for Realistic Wireless Capsule Endoscopy Image Generation [7.430724826764835]
  新規な変分オートエンコーダアーキテクチャ,すなわち "This Intestine Don Not Exist" (TIDE) を提案する。 提案アーキテクチャは,マルチスケールな特徴抽出畳み込みブロックと残差接続を備え,高品質で多様なデータセットの生成を可能にする。 利用可能なデータセットの増大を指向した現在のアプローチとは対照的に,本研究では,TIDEを用いて実際のWCEデータセットを完全に置換できることを実証する。
  論文  参考訳（メタデータ） (2023-02-04T11:49:38Z)
• Development of an algorithm for medical image segmentation of bone tissue in interaction with metallic implants [58.720142291102135]
  本研究では,金属インプラントとの接触部における骨成長の計算アルゴリズムを開発した。 骨とインプラント組織はトレーニングデータセットに手動でセグメンテーションされた。 ネットワーク精度の面では、モデルは約98%に達した。
  論文  参考訳（メタデータ） (2022-04-22T08:17:20Z)
• Feature transforms for image data augmentation [74.12025519234153]
  画像分類において、多くの拡張アプローチは単純な画像操作アルゴリズムを利用する。 本研究では,14種類の拡張アプローチを組み合わせて生成した画像を追加することで,データレベルでのアンサンブルを構築する。 事前トレーニングされたResNet50ネットワークは、各拡張メソッドから派生した画像を含むトレーニングセットに基づいて微調整される。
  論文  参考訳（メタデータ） (2022-01-24T14:12:29Z)
• Self-Supervised Generative Style Transfer for One-Shot Medical Image Segmentation [10.634870214944055]
  医用画像のセグメンテーションにおいて、教師付きディープネットワークの成功は、豊富なラベル付きデータを必要とするコストが伴う。 本稿では,ボリューム画像分割ペアを合成可能なデータ拡張のための,新しいボリューム自己教師型学習法を提案する。 我々の研究の中心的信条は、ワンショット生成学習と自己指導型学習戦略の併用による恩恵を受けている。
  論文  参考訳（メタデータ） (2021-10-05T15:28:42Z)
• Pathological Retinal Region Segmentation From OCT Images Using Geometric Relation Based Augmentation [84.7571086566595]
  本稿では,幾何学と形状の内在的関係を共同で符号化することで,従来のGANベースの医用画像合成法よりも優れた手法を提案する。 提案手法は,取得手順の異なる画像を有する公開RETOUCHデータセット上で,最先端のセグメンテーション手法より優れている。
  論文  参考訳（メタデータ） (2020-03-31T11:50:43Z)

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。