論文の概要: A Critical Appraisal of Data Augmentation Methods for Imaging-Based Medical Diagnosis Applications

• arxiv url: http://arxiv.org/abs/2301.02181v1
• Date: Wed, 14 Dec 2022 14:26:39 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-09 14:59:23.367534
• Title: A Critical Appraisal of Data Augmentation Methods for Imaging-Based Medical Diagnosis Applications
• Title（参考訳）: 画像診断応用のためのデータ拡張手法の批判的評価
• Authors: Tara M. Pattilachan, Ugur Demir, Elif Keles, Debesh Jha, Derk Klatte, Megan Engels, Sanne Hoogenboom, Candice Bolan, Michael Wallace, Ulas Bagci
• Abstract要約: 最適なデータ拡張は、医学的イメージを歪ませたり妨害したりすることができ、患者の診断、予測、治療・外科的評価において偽陽性または否定を引き起こす。 医用画像におけるプラグ・アンド・プレイ方式では, 一般的なデータ拡張法は使用できないこと, 手動のチューニングや調整が必要であることが観察された。
• 参考スコア（独自算出の注目度）: 1.5971609833629297
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Current data augmentation techniques and transformations are well suited for improving the size and quality of natural image datasets but are not yet optimized for medical imaging. We hypothesize that sub-optimal data augmentations can easily distort or occlude medical images, leading to false positives or negatives during patient diagnosis, prediction, or therapy/surgery evaluation. In our experimental results, we found that utilizing commonly used intensity-based data augmentation distorts the MRI scans and leads to texture information loss, thus negatively affecting the overall performance of classification. Additionally, we observed that commonly used data augmentation methods cannot be used with a plug-and-play approach in medical imaging, and requires manual tuning and adjustment.
• Abstract（参考訳）: 現在のデータ拡張技術と変換は、自然画像データセットのサイズと品質を改善するのに適しているが、まだ医療画像に最適化されていない。 我々は, 患者診断, 予測, 治療・外科的評価において, 医療画像の歪みや閉塞が容易に起こり, 偽陽性や陰性が生じるという仮説を立てた。 実験の結果,一般的に使用される強度に基づくデータ拡張はMRIスキャンを歪ませ,テクスチャ情報損失を生じさせ,分類の全体的な性能に悪影響を及ぼすことがわかった。 また,医用画像におけるプラグアンドプレイ方式では,一般的なデータ拡張手法は使用できないこと,手動のチューニングや調整が必要であることも見いだした。

関連論文リスト

• AI Guided Early Screening of Cervical Cancer [0.0]
  このプロジェクトでは、医療画像データセットの事前処理、強化、整理に重点を置いている。 データセットには、正常と異常の2つの分類と、追加のノイズ変動がある。 医療異常検出のための正確かつ効果的な機械学習モデルを作成するため、この徹底的なアプローチにより高品質な入力データが保証される。
  論文  参考訳（メタデータ） (2024-11-19T17:39:03Z)
• 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)
• Analyzing Data Augmentation for Medical Images: A Case Study in Ultrasound Images [7.5088011137653625]
  超音波画像における乳腺病変の分類における異なる拡張法の有効性について検討した。 特定の拡張が他のものよりもはるかに効果的であることを示し、それらの使用が大幅なパフォーマンス向上につながっていることを示す。
  論文  参考訳（メタデータ） (2024-03-14T19:33:57Z)
• On Sensitivity and Robustness of Normalization Schemes to Input Distribution Shifts in Automatic MR Image Diagnosis [58.634791552376235]
  深層学習(DL)モデルは、再構成画像を入力として、複数の疾患の診断において最先端のパフォーマンスを達成した。 DLモデルは、トレーニングとテストフェーズ間の入力データ分布の変化につながるため、さまざまなアーティファクトに敏感である。 本稿では,グループ正規化やレイヤ正規化といった他の正規化手法を用いて,画像のさまざまなアーチファクトに対して,モデル性能にロバスト性を注入することを提案する。
  論文  参考訳（メタデータ） (2023-06-23T03:09:03Z)
• 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)
• Significantly improving zero-shot X-ray pathology classification via fine-tuning pre-trained image-text encoders [50.689585476660554]
  本稿では,正対損失緩和とランダムな文サンプリングを含む新たな微調整手法を提案する。 提案手法は,胸部X線データセットと3つの事前訓練モデル間のゼロショット病理分類を一貫して改善する。
  論文  参考訳（メタデータ） (2022-12-14T06:04:18Z)
• Negligible effect of brain MRI data preprocessing for tumor segmentation [36.89606202543839]
  我々は3つの公開データセットの実験を行い、ディープニューラルネットワークにおける異なる前処理ステップの効果を評価する。 その結果、最も一般的な標準化手順は、ネットワーク性能に何の価値も与えないことが示されている。 画像の規格化に伴う信号分散の低減のため,画像強度正規化手法はモデル精度に寄与しない。
  論文  参考訳（メタデータ） (2022-04-11T17:29:36Z)
• 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)
• Malignancy Prediction and Lesion Identification from Clinical Dermatological Images [65.1629311281062]
  臨床皮膚画像から機械学習に基づく悪性度予測と病変の同定を検討する。 まず, サブタイプや悪性度に関わらず画像に存在するすべての病変を同定し, その悪性度を推定し, 凝集により, 画像レベルの悪性度も生成する。
  論文  参考訳（メタデータ） (2021-04-02T20:52:05Z)
• Principled Ultrasound Data Augmentation for Classification of Standard Planes [9.072773240485946]
  本論文では,モデル分類性能向上を目的とした増補方針探索法を提案する。 医用画像モデルの訓練における原理的データ拡張は超音波標準平面検出の大幅な改善をもたらす可能性がある。
  論文  参考訳（メタデータ） (2021-03-14T11:20:31Z)
• SAG-GAN: Semi-Supervised Attention-Guided GANs for Data Augmentation on Medical Images [47.35184075381965]
  本稿では,GAN(Cycle-Consistency Generative Adversarial Networks)を用いた医用画像生成のためのデータ拡張手法を提案する。 提案モデルでは,正常画像から腫瘍画像を生成することができ,腫瘍画像から正常画像を生成することもできる。 本研究では,従来のデータ拡張手法と合成画像を用いた分類モデルを用いて,実画像を用いた分類モデルを訓練する。
  論文  参考訳（メタデータ） (2020-11-15T14:01:24Z)

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。