論文の概要: Augmenting Medical Imaging: A Comprehensive Catalogue of 65 Techniques
for Enhanced Data Analysis
- arxiv url: http://arxiv.org/abs/2303.01178v1
- Date: Thu, 2 Mar 2023 11:47:55 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-03 14:47:05.259621
- Title: Augmenting Medical Imaging: A Comprehensive Catalogue of 65 Techniques
for Enhanced Data Analysis
- Title（参考訳）: Augmenting Medical Imaging:Augmenting Data Analysisのための65のテクニックの包括的カタログ
- Authors: Manuel Cossio
- Abstract要約: データ拡張は、トレーニングデータセットのサイズと多様性を高めるための有望で費用効果の高いテクニックとして現れています。
医用画像撮影に用いたデータ拡張技術について,11種類の目的を同定し,65種類の異なる手法を収集し,詳細な調査を行った。
今後、利用可能な技術のリストが拡大し、研究者が考慮すべき追加オプションが提供されることが期待されている。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: In the realm of medical imaging, the training of machine learning models
necessitates a large and varied training dataset to ensure robustness and
interoperability. However, acquiring such diverse and heterogeneous data can be
difficult due to the need for expert labeling of each image and privacy
concerns associated with medical data. To circumvent these challenges, data
augmentation has emerged as a promising and cost-effective technique for
increasing the size and diversity of the training dataset. In this study, we
provide a comprehensive review of the specific data augmentation techniques
employed in medical imaging and explore their benefits. We conducted an
in-depth study of all data augmentation techniques used in medical imaging,
identifying 11 different purposes and collecting 65 distinct techniques. The
techniques were operationalized into spatial transformation-based, color and
contrast adjustment-based, noise-based, deformation-based, data mixing-based,
filters and mask-based, division-based, multi-scale and multi-view-based, and
meta-learning-based categories. We observed that some techniques require manual
specification of all parameters, while others rely on automation to adjust the
type and magnitude of augmentation based on task requirements. The utilization
of these techniques enables the development of more robust models that can be
applied in domains with limited or challenging data availability. It is
expected that the list of available techniques will expand in the future,
providing researchers with additional options to consider.
- Abstract（参考訳）: 医療イメージングの分野では、機械学習モデルのトレーニングには、堅牢性と相互運用性を確保するために、大きくて多様なトレーニングデータセットが必要である。
しかし,各画像のラベル付けや医療データに関連するプライバシー上の懸念から,このような多様で異種なデータを取得することは困難である。
これらの課題を回避するため、データ拡張はトレーニングデータセットのサイズと多様性を高めるための有望で費用対効果の高い技術として現れています。
本研究では,医療画像に使用される特定のデータ拡張技術の包括的レビューを行い,そのメリットについて検討する。
医用画像撮影に用いるデータ拡張技術について,11種類の目的を同定し,65種類の異なる手法を収集した。
これらの手法は空間変換ベース,色およびコントラスト調整ベース,ノイズベース,変形ベース,データ混合ベース,フィルタ,マスクベース,分割ベース,マルチスケール,マルチビューベース,メタラーニングベースに分類された。
我々は、いくつかの手法では全てのパラメータの手動仕様を必要とするのに対し、タスク要求に基づいて拡張の型と大きさを調整するのに自動化に頼っているのを観察した。
これらの技術を利用することで、データ可用性の制限や課題のあるドメインに適用可能な、より堅牢なモデルの開発が可能になる。
今後利用可能な技術のリストは拡張され、研究者に考慮すべき追加オプションが提供されることが期待されている。
関連論文リスト
- Universal Medical Imaging Model for Domain Generalization with Data Privacy [2.8727695958743364]
本稿では,複数の局所モデルからグローバルモデルへ知識を伝達するフェデレート学習手法を提案する。
主な目的は、幅広い医療画像タスクを実行できるグローバルモデルを訓練することである。
論文 参考訳（メタデータ） (2024-07-20T01:24:15Z) - Machine Learning Techniques for MRI Data Processing at Expanding Scale [0.5221459608786241]
世界中のイメージングサイトは、より多用途で手頃な価格のテクノロジーで、より多くの医療スキャンデータを生成する。
これらの大規模なデータセットは人間の健康に関する情報をエンコードし、機械学習のトレーニングと分析にかなりの可能性を秘めている。
本章は、現在進行中の大規模研究と、それら間の分散シフトの課題について考察する。
論文 参考訳（メタデータ） (2024-04-22T16:38:41Z) - Data Augmentation in Human-Centric Vision [54.97327269866757]
本研究では,人間中心型視覚タスクにおけるデータ拡張手法の包括的分析を行う。
それは、人物のReID、人間のパーシング、人間のポーズ推定、歩行者検出など、幅広い研究領域に展開している。
我々の研究は、データ拡張手法をデータ生成とデータ摂動の2つの主なタイプに分類する。
論文 参考訳（メタデータ） (2024-03-13T16:05:18Z) - Deep Learning Approaches for Data Augmentation in Medical Imaging: A
Review [2.8145809047875066]
医用画像拡張のための3種類の深部生成モデル(変分オートエンコーダ、生成対向ネットワーク、拡散モデル)に焦点をあてる。
本稿では,これらの各モデルにおける技術の現状について概説するとともに,分類,セグメンテーション,クロスモーダル翻訳など,医療画像における下流業務における活用の可能性について論じる。
我々のゴールは、医用画像増倍のための深部生成モデルの使用に関する総合的なレビューを提供することであり、医用画像解析における深部学習アルゴリズムの性能向上のためのこれらのモデルの可能性を明らかにすることである。
論文 参考訳（メタデータ） (2023-07-24T20:53:59Z) - Domain Generalization for Mammographic Image Analysis with Contrastive
Learning [62.25104935889111]
効果的なディープラーニングモデルのトレーニングには、さまざまなスタイルと品質を備えた大規模なデータが必要である。
より優れたスタイルの一般化能力を備えた深層学習モデルを実現するために,新しいコントラスト学習法が開発された。
提案手法は,様々なベンダスタイルドメインのマンモグラムや,いくつかのパブリックデータセットを用いて,広範囲かつ厳密に評価されている。
論文 参考訳（メタデータ） (2023-04-20T11:40:21Z) - Advanced Data Augmentation Approaches: A Comprehensive Survey and Future
directions [57.30984060215482]
データ拡張の背景、レビューされたデータ拡張技術の新しい包括的分類法、および各技術の強さと弱点(可能ならば)を提供する。
また、画像分類、オブジェクト検出、セマンティックセグメンテーションなどの3つの一般的なコンピュータビジョンタスクに対して、データ拡張効果の総合的な結果を提供する。
論文 参考訳（メタデータ） (2023-01-07T11:37:32Z) - Understanding the Tricks of Deep Learning in Medical Image Segmentation:
Challenges and Future Directions [66.40971096248946]
本稿では,モデル実装の異なるフェーズに対して,MedISegの一連のトリックを収集する。
本稿では,これらの手法の有効性を一貫したベースライン上で実験的に検討する。
私たちはまた、それぞれのコンポーネントがプラグインとプレイの利点を持つ強力なMedISegリポジトリをオープンソースにしました。
論文 参考訳（メタデータ） (2022-09-21T12:30:05Z) - Image Data Augmentation for Deep Learning: A Survey [8.817690876855728]
我々は、異なる画像データ拡張手法を体系的にレビューする。
本稿では,レビュー手法の分類法を提案し,これらの手法の長所と短所について述べる。
また,3種類のコンピュータビジョンタスクに対して,様々なデータ拡張手法による広範囲な実験を行った。
論文 参考訳（メタデータ） (2022-04-19T02:05:56Z) - Generative Adversarial U-Net for Domain-free Medical Image Augmentation [49.72048151146307]
注釈付き医用画像の不足は、医用画像コンピューティングの分野における最大の課題の1つだ。
本稿では,生成逆U-Netという新しい生成手法を提案する。
当社の新しいモデルは、ドメインフリーで、さまざまな医療画像に汎用性があります。
論文 参考訳（メタデータ） (2021-01-12T23:02:26Z) - Domain Shift in Computer Vision models for MRI data analysis: An
Overview [64.69150970967524]
機械学習とコンピュータビジョン手法は、医用画像解析において優れた性能を示している。
しかし、現在臨床応用はごくわずかである。
異なるソースや取得ドメインのデータへのモデルの不適切な転送性は、その理由の1つです。
論文 参考訳（メタデータ） (2020-10-14T16:34:21Z)
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。