論文の概要: DACov: A Deeper Analysis of Data Augmentation on the Computed Tomography Segmentation Problem

• arxiv url: http://arxiv.org/abs/2303.05912v1
• Date: Fri, 10 Mar 2023 13:41:20 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-13 15:02:37.998273
• Title: DACov: A Deeper Analysis of Data Augmentation on the Computed Tomography Segmentation Problem
• Title（参考訳）: DACov:CTセグメンテーション問題におけるデータ拡張のより深い分析
• Authors: Bruno A. Krinski, Daniel V. Ruiz, Rayson Laroca, Eduardo Todt
• Abstract要約: 本稿では,医療画像のセグメンテーション性能向上のためのデータ拡張手法について,より深く分析する。 本稿では,GAN(Generative Adversarial Networks)に基づく新しいデータ拡張手法を提案する。 GANに基づく手法と空間レベルの変換が,この問題における深層モデルの学習を改善する上で最も有望であることを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Due to the COVID-19 global pandemic, computer-assisted diagnoses of medical images have gained much attention, and robust methods of semantic segmentation of Computed Tomography (CT) images have become highly desirable. In this work, we present a deeper analysis of how data augmentation techniques improve segmentation performance on this problem. We evaluate 20 traditional augmentation techniques on five public datasets. Six different probabilities of applying each augmentation technique on an image were evaluated. We also assess a different training methodology where the training subsets are combined into a single larger set. All networks were evaluated through a 5-fold cross-validation strategy, resulting in over 4,600 experiments. We also propose a novel data augmentation technique based on Generative Adversarial Networks (GANs) to create new healthy and unhealthy lung CT images, evaluating four variations of our approach with the same six probabilities of the traditional methods. Our findings show that GAN-based techniques and spatial-level transformations are the most promising for improving the learning of deep models on this problem, with the StarGANv2 + F with a probability of 0.3 achieving the highest F-score value on the Ricord1a dataset in the unified training strategy. Our code is publicly available at https://github.com/VRI-UFPR/DACov2022
• Abstract（参考訳）: 新型コロナウイルスの世界的なパンデミックにより、医療画像のコンピュータ支援診断が注目され、CT画像のセマンティックセグメンテーションの堅牢な手法が好まれている。 本稿では,データ拡張手法がこの問題に対するセグメンテーション性能を改善する方法について,より深い分析を行う。 5つの公開データセットに対して従来の20の拡張手法を評価する。 画像に各拡張技術を適用する6つの異なる確率を評価した。 また、トレーニングサブセットをひとつの大きなセットにまとめる異なるトレーニング方法論を評価します。 全てのネットワークは5倍のクロスバリデーション戦略によって評価され、4600以上の実験が行われた。 また,gans(generative adversarial network)に基づく新しい画像拡張法を提案し,従来の方法と同じ6つの確率で,従来のアプローチの4つのバリエーションを評価した。 以上の結果から,ganベースの手法と空間レベルの変換は,統合トレーニング戦略において,ricord1aデータセットにおいて0.3倍のf-score値を達成する確率を持つstarganv2 + fにおいて,深層モデルの学習を改善する上で最も有望であることが示された。 私たちのコードはhttps://github.com/VRI-UFPR/DACov2022で公開されています。

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)
• LVM-Med: Learning Large-Scale Self-Supervised Vision Models for Medical Imaging via Second-order Graph Matching [59.01894976615714]
  LVM-Medは、大規模医療データセットに基づいてトレーニングされた、最初のディープネットワークファミリーである。 55の公開データセットから約13万の医療画像を収集しました。 LVM-Medは、多くの最先端の教師付き、自己監督型、基礎モデルよりも経験的に優れている。
  論文  参考訳（メタデータ） (2023-06-20T22:21:34Z)
• 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)
• Light In The Black: An Evaluation of Data Augmentation Techniques for COVID-19 CT's Semantic Segmentation [0.0]
  本稿では,この問題に対するエンコーダ・デコーダニューラルネットワークのトレーニングにおいて,異なるデータ拡張手法がどう改善するかを解析する。 20種類の異なるデータ拡張手法を5つのデータセットで評価した。 この結果から,空間レベルの変換はニューラルネットワークの学習を改善する上で最も有望であることが示唆された。
  論文  参考訳（メタデータ） (2022-05-19T17:33:35Z)
• Adaptation to CT Reconstruction Kernels by Enforcing Cross-domain Feature Maps Consistency [0.06117371161379209]
  本研究は,スムーズで訓練し,鋭い再構築カーネル上で試験したモデルにおいて,新型コロナウイルスのセグメンテーション品質の低下を示すものである。 本稿では,F-Consistency(F-Consistency)と呼ばれる,教師なし適応手法を提案する。
  論文  参考訳（メタデータ） (2022-03-28T10:00:03Z)
• 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)
• Cross-Site Severity Assessment of COVID-19 from CT Images via Domain Adaptation [64.59521853145368]
  CT画像によるコロナウイルス病2019(COVID-19)の早期かつ正確な重症度評価は,集中治療単位のイベント推定に有効である。 ラベル付きデータを拡張し、分類モデルの一般化能力を向上させるためには、複数のサイトからデータを集約する必要がある。 この課題は、軽度の感染症と重度の感染症の集団不均衡、部位間のドメイン分布の相違、不均一な特徴の存在など、いくつかの課題に直面する。
  論文  参考訳（メタデータ） (2021-09-08T07:56:51Z)
• A Multi-Stage Attentive Transfer Learning Framework for Improving COVID-19 Diagnosis [49.3704402041314]
  新型コロナの診断を改善するための多段階集中移動学習フレームワークを提案する。 提案するフレームワークは、複数のソースタスクと異なるドメインのデータから知識を学習し、正確な診断モデルを訓練する3つの段階からなる。 本稿では,肺CT画像のマルチスケール表現を学習するための自己教師付き学習手法を提案する。
  論文  参考訳（メタデータ） (2021-01-14T01:39:19Z)
• Contrastive Cross-site Learning with Redesigned Net for COVID-19 CT Classification [20.66003113364796]
  新型コロナウイルス感染症(COVID-19)のパンデミックにより、世界の公衆衛生危機が数百カ国で拡大している。 画像解釈の面倒な作業量を削減するとともに、臨床診断を支援するために、CT画像を用いたCOVID-19識別自動化ツールの開発が望まれている。 本稿では、異種データセットを効果的に学習することで、正確な新型コロナウイルス識別を行うための新しい共同学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-09-15T11:09:04Z)
• Automated Chest CT Image Segmentation of COVID-19 Lung Infection based on 3D U-Net [0.0]
  新型コロナウイルス(COVID-19)は世界中の何十億もの生命に影響を与え、公衆医療に大きな影響を与えている。 新型コロナウイルス感染地域のための革新的な自動セグメンテーションパイプラインを提案する。 本手法は,複数の前処理手法を実行することにより,一意およびランダムな画像パッチをオンザフライで生成する訓練に焦点をあてる。
  論文  参考訳（メタデータ） (2020-06-24T17:29:26Z)
• A Comprehensive Study of Data Augmentation Strategies for Prostate Cancer Detection in Diffusion-weighted MRI using Convolutional Neural Networks [9.554833667156913]
  217例のトレーニングデータセットに,最も頻繁に使用される5つの拡張手法(ランダム回転,水平フリップ,垂直フリップ,ランダム作物,翻訳)を適用した。 前立腺癌検出の精度に及ぼす各方法の影響について検討した。 浅層ネットワークは、回転法により得られる最高の2DスライスベースのAUC0.85で、ディープネットワークを上回った。
  論文  参考訳（メタデータ） (2020-06-01T14:31:38Z)

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。