論文の概要: High Fidelity Synthetic Face Generation for Rosacea Skin Condition from
Limited Data
- arxiv url: http://arxiv.org/abs/2303.04839v1
- Date: Wed, 8 Mar 2023 19:18:58 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-10 17:17:54.402819
- Title: High Fidelity Synthetic Face Generation for Rosacea Skin Condition from
Limited Data
- Title(参考訳): 限られたデータによるロサセア皮膚条件の高忠実合成顔生成
- Authors: Anwesha Mohanty, Alistair Sutherland, Marija Bezbradica, Hossein
Javidnia
- Abstract要約: StyleGANは主にStyleGANの変種であるが、合成顔画像の生成において有望な結果を示している。
300枚のフルフェイス画像を持つRosaceaの小さなデータセットを使用して、合成データを生成する可能性をさらに調査する。
予備実験では、モデルが微調整され、様々な実験条件がロサチアの特徴の忠実さにどのように影響するかが示されている。
- 参考スコア(独自算出の注目度): 0.27998963147546135
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Similar to the majority of deep learning applications, diagnosing skin
diseases using computer vision and deep learning often requires a large volume
of data. However, obtaining sufficient data for particular types of facial skin
conditions can be difficult due to privacy concerns. As a result, conditions
like Rosacea are often understudied in computer-aided diagnosis. The limited
availability of data for facial skin conditions has led to the investigation of
alternative methods for computer-aided diagnosis. In recent years, Generative
Adversarial Networks (GANs), mainly variants of StyleGANs, have demonstrated
promising results in generating synthetic facial images. In this study, for the
first time, a small dataset of Rosacea with 300 full-face images is utilized to
further investigate the possibility of generating synthetic data. The
preliminary experiments show how fine-tuning the model and varying experimental
settings significantly affect the fidelity of the Rosacea features. It is
demonstrated that $R_1$ Regularization strength helps achieve high-fidelity
details. Additionally, this study presents qualitative evaluations of
synthetic/generated faces by expert dermatologists and non-specialist
participants. The quantitative evaluation is presented using a few validation
metric(s). Furthermore a number of limitations and future directions are
discussed. Code and generated dataset are available at:
\url{https://github.com/thinkercache/stylegan2-ada-pytorch}
- Abstract(参考訳): 多くのディープラーニングアプリケーションと同様に、コンピュータビジョンとディープラーニングを用いた皮膚疾患の診断には大量のデータが必要である。
しかし、プライバシー上の懸念から、特定の種類の顔の皮膚の状態について十分なデータを得ることは困難である。
結果として、ロサチアのような症状はコンピュータ支援診断においてしばしば研究される。
顔の皮膚の状態に関するデータは限られており、コンピュータ支援診断の代替方法が検討されている。
近年、主にスタイルGANの変種であるGAN(Generative Adversarial Networks)は、合成顔画像の生成において有望な結果を示している。
本研究では,300枚のフルフェイス画像を持つRosaceaの小さなデータセットを初めて利用し,合成データの生成可能性について検討した。
予備実験では、モデルの微調整と様々な実験条件がロサチアの特徴の忠実さにどのように影響するかが示されている。
R_1$正規化強度は高忠実度の詳細を達成するのに役立つことが示されている。
また, 皮膚科医と非専門医による合成/生成顔の質的評価を行った。
定量的評価は,いくつかの検証指標を用いて行った。
さらに、いくつかの制限と今後の方向性について論じる。
コードと生成されたデータセットは、 \url{https://github.com/thinkercache/stylegan2-ada-pytorch} で利用可能である。
関連論文リスト
- Optimizing Skin Lesion Classification via Multimodal Data and Auxiliary
Task Integration [54.76511683427566]
本研究は, スマートフォンで撮影した画像と本質的な臨床および人口統計情報を統合することで, 皮膚病変を分類する新しいマルチモーダル手法を提案する。
この手法の特徴は、超高解像度画像予測に焦点を当てた補助的なタスクの統合である。
PAD-UFES20データセットを用いて,様々なディープラーニングアーキテクチャを用いて実験を行った。
論文 参考訳(メタデータ) (2024-02-16T05:16:20Z) - On the notion of Hallucinations from the lens of Bias and Validity in
Synthetic CXR Images [0.35998666903987897]
拡散モデルのような生成モデルは、データ品質と臨床情報の格差を軽減することを目的としている。
スタンフォード大学の研究者たちは、医療画像データ拡張のための微調整された安定拡散モデル(RoentGen)の有用性を探求した。
我々はRoentGenを利用してChest-XRay(CXR)画像を生成し、バイアス、妥当性、幻覚の評価を行った。
論文 参考訳(メタデータ) (2023-12-12T04:41:20Z) - How Does Pruning Impact Long-Tailed Multi-Label Medical Image
Classifiers? [49.35105290167996]
プルーニングは、ディープニューラルネットワークを圧縮し、全体的なパフォーマンスに大きな影響を及ぼすことなく、メモリ使用量と推論時間を短縮する強力なテクニックとして登場した。
この研究は、プルーニングがモデル行動に与える影響を理解するための第一歩である。
論文 参考訳(メタデータ) (2023-08-17T20:40:30Z) - Face Recognition Using Synthetic Face Data [0.0]
我々は、コンピュータグラフィックスパイプラインを介してデジタル顔のレンダリングによって生成された合成データの有望な応用を強調し、競争力のある結果を得る。
モデルを微調整することで、何十万もの実画像のトレーニングで得られた結果に匹敵する結果が得られる。
また,モデル性能に及ぼすクラス内因子(化粧品,アクセサリー,ヘアカットなど)の追加効果についても検討した。
論文 参考訳(メタデータ) (2023-05-17T09:26:10Z) - Improving Deep Facial Phenotyping for Ultra-rare Disorder Verification
Using Model Ensembles [52.77024349608834]
我々は、DCNNを最先端の顔認識手法であるiResNetとArcFaceに置き換える影響を分析する。
提案するアンサンブルモデルにより,目視と目視の両障害に対する最先端のパフォーマンスが達成される。
論文 参考訳(メタデータ) (2022-11-12T23:28:54Z) - Generative Adversarial Networks for anonymous Acneic face dataset
generation [0.0]
3段階の重篤度に対応するアクネ障害の属性を持つヒトの顔の匿名合成データセットを生成する。
CNNに基づく分類システムは、生成された合成アキニーック顔画像を用いて訓練され、認証顔画像を用いてテストされる。
InceptionResNetv2を用いて97,6%の精度が得られることを示す。
論文 参考訳(メタデータ) (2022-11-08T12:59:41Z) - Towards Transparency in Dermatology Image Datasets with Skin Tone
Annotations by Experts, Crowds, and an Algorithm [3.6888633946892044]
皮膚疾患のパブリックおよびプライベート画像データセットには、皮膚の色に関する情報がほとんど含まれない。
透明性を高めるための出発点として、AI研究者は、患者の光感受性の尺度から皮膚のトーンを推定する尺度まで、Fitzpatrick skin type (FST)の使用を適当に検討した。
ITA-FSTに基づくアルゴリズムは,大規模な画像データセットのアノテートには信頼性が低いことを示す。
論文 参考訳(メタデータ) (2022-07-06T19:50:39Z) - Relational Subsets Knowledge Distillation for Long-tailed Retinal
Diseases Recognition [65.77962788209103]
本研究では,長尾データを知識に基づいて複数のクラスサブセットに分割し,クラスサブセット学習を提案する。
モデルがサブセット固有の知識の学習に集中するように強制する。
提案手法は長期網膜疾患認識タスクに有効であることが判明した。
論文 参考訳(メタデータ) (2021-04-22T13:39:33Z) - Overcoming Barriers to Data Sharing with Medical Image Generation: A
Comprehensive Evaluation [17.983449515155414]
我々は、GAN(Generative Adversarial Networks)を用いて、合成患者データからなる医用画像データセットを作成する。
合成画像は、理想的には、ソースデータセットと類似した統計特性を持つが、機密性の高い個人情報は含まない。
合成画像の品質は、合成データセットと実データセットの両方で訓練された予測モデルの性能差によって測定する。
論文 参考訳(メタデータ) (2020-11-29T15:41:46Z) - Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype
Prediction [55.94378672172967]
本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。
新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。
我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
論文 参考訳(メタデータ) (2020-09-02T02:50:30Z) - Alleviating the Incompatibility between Cross Entropy Loss and Episode
Training for Few-shot Skin Disease Classification [76.89093364969253]
そこで本研究では,皮膚疾患の診断にFew-Shot Learningを応用し,トレーニングサンプル問題の極端な不足に対処することを提案する。
本稿では, エピソード学習において, クロスエントロピー(CE)よりも優れたクエリ-相対的損失(QR)を提案する。
さらに,新しい適応型ハードマージン戦略により,提案したQR損失をさらに強化する。
論文 参考訳(メタデータ) (2020-04-21T00:57:11Z)
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。