論文の概要: Leveraging GANs for data scarcity of COVID-19: Beyond the hype
- arxiv url: http://arxiv.org/abs/2304.03536v1
- Date: Fri, 7 Apr 2023 08:26:12 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-10 12:33:45.983841
- Title: Leveraging GANs for data scarcity of COVID-19: Beyond the hype
- Title（参考訳）: 新型コロナウイルス(covid-19)のデータ不足にgansを活用する
- Authors: Hazrat Ali, Christer Gronlund, Zubair Shah
- Abstract要約: 人工知能(AI)ベースのモデルは、肺CTスキャンやX線画像から新型コロナウイルスを診断するのに役立つ。
多くの研究者が、合成肺CTスキャンとX線画像を作成するためにGeneversa Adrative Networks(GANs)を研究した。
信頼性の高い合成データを生成するために, GAN ベースの手法がいかに優れているかは明らかにされていない。
- 参考スコア（独自算出の注目度）: 1.0957528713294873
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Artificial Intelligence (AI)-based models can help in diagnosing COVID-19
from lung CT scans and X-ray images; however, these models require large
amounts of data for training and validation. Many researchers studied
Generative Adversarial Networks (GANs) for producing synthetic lung CT scans
and X-Ray images to improve the performance of AI-based models. It is not well
explored how good GAN-based methods performed to generate reliable synthetic
data. This work analyzes 43 published studies that reported GANs for synthetic
data generation. Many of these studies suffered data bias, lack of
reproducibility, and lack of feedback from the radiologists or other domain
experts. A common issue in these studies is the unavailability of the source
code, hindering reproducibility. The included studies reported rescaling of the
input images to train the existing GANs architecture without providing clinical
insights on how the rescaling was motivated. Finally, even though GAN-based
methods have the potential for data augmentation and improving the training of
AI-based models, these methods fall short in terms of their use in clinical
practice. This paper highlights research hotspots in countering the data
scarcity problem, identifies various issues as well as potentials, and provides
recommendations to guide future research. These recommendations might be useful
to improve acceptability for the GAN-based approaches for data augmentation as
GANs for data augmentation are increasingly becoming popular in the AI and
medical imaging research community.
- Abstract（参考訳）: 人工知能(AI)ベースのモデルは、肺CTスキャンやX線画像から新型コロナウイルスを診断するのに役立つが、これらのモデルはトレーニングと検証のために大量のデータを必要とする。
多くの研究者が合成肺CTスキャンとX線画像を生成するためにGAN(Generative Adversarial Networks)を研究し、AIベースのモデルの性能を改善した。
信頼性の高い合成データを生成するために, GAN ベースの手法がいかに優れているかは明らかにされていない。
本研究は合成データ生成のためのgansを報告した43の論文を分析した。
これらの研究の多くは、データのバイアス、再現性の欠如、放射線科医や他のドメインの専門家からのフィードバックの欠如に苦しんだ。
これらの研究でよくある問題は、ソースコードが利用できないことであり、再現性を妨げている。
含まれた研究は、既存のGANアーキテクチャをトレーニングするために入力画像の再スケーリングを報告し、再スケーリングの動機付けに関する臨床的洞察を与えなかった。
最後に、ganベースの手法は、データ拡張とaiベースのモデルのトレーニングを改善する可能性を秘めているが、これらの手法は、臨床での使用に関して不足している。
本稿では,データ不足問題に対処する研究ホットスポットを強調し,様々な課題と可能性を特定し,今後の研究の指針として推奨する。
これらの勧告は、データ拡張のためのGANがAIと医療画像研究コミュニティでますます人気が高まっているため、データ拡張のためのGANベースのアプローチの受け入れ性を改善するのに役立つかもしれない。
関連論文リスト
- DE-CGAN: Boosting rTMS Treatment Prediction with Diversity Enhancing Conditional Generative Adversarial Networks [16.850380946914946]
そこで本研究では,De-CGAN(Diversity Enhancing Conditional General Adversarial Network)による分類モデルの性能向上について述べる。
この研究は、トレーニングデータセットの多様性を高めることで、分類モデルのパフォーマンスが向上することを示している。
論文 参考訳（メタデータ） (2024-04-25T15:15:58Z) - Radiology Report Generation Using Transformers Conditioned with
Non-imaging Data [55.17268696112258]
本稿では,胸部X線画像と関連する患者の人口統計情報を統合したマルチモーダルトランスフォーマーネットワークを提案する。
提案ネットワークは、畳み込みニューラルネットワークを用いて、CXRから視覚的特徴を抽出し、その視覚的特徴と患者の人口統計情報のセマンティックテキスト埋め込みを組み合わせたトランスフォーマーベースのエンコーダデコーダネットワークである。
論文 参考訳（メタデータ） (2023-11-18T14:52:26Z) - MedDiffusion: Boosting Health Risk Prediction via Diffusion-based Data
Augmentation [58.93221876843639]
本稿では,MedDiffusion という,エンドツーエンドの拡散に基づくリスク予測モデルを提案する。
トレーニング中に合成患者データを作成し、サンプルスペースを拡大することで、リスク予測性能を向上させる。
ステップワイズ・アテンション・メカニズムを用いて患者の来訪者間の隠れた関係を識別し、高品質なデータを生成する上で最も重要な情報をモデルが自動的に保持することを可能にする。
論文 参考訳（メタデータ） (2023-10-04T01:36:30Z) - PathLDM: Text conditioned Latent Diffusion Model for Histopathology [62.970593674481414]
そこで我々は,高品質な病理像を生成するためのテキスト条件付き遅延拡散モデルPathLDMを紹介した。
提案手法は画像とテキストデータを融合して生成プロセスを強化する。
我々は,TCGA-BRCAデータセット上でのテキスト・ツー・イメージ生成において,SoTA FIDスコア7.64を達成し,FID30.1と最も近いテキスト・コンディショナブル・コンペティタを著しく上回った。
論文 参考訳（メタデータ） (2023-09-01T22:08:32Z) - Evaluating the feasibility of using Generative Models to generate Chest
X-Ray Data [0.0]
人工胸部X線画像作成のための生成モデルの有用性について検討した。
我々は,ケストX線14データセットを実験に利用し,モデルの性能評価を行った。
その結果,生成した画像は視覚的に説得力があり,分類モデルの精度向上に有効であることが示唆された。
論文 参考訳（メタデータ） (2023-05-30T10:36:30Z) - EHRDiff: Exploring Realistic EHR Synthesis with Diffusion Models [8.799590232822752]
プライバシー上の懸念は、研究者のための高品質で大規模なEHRデータへのアクセスを制限している。
近年の研究では、生成モデリング技術による現実的なEHRデータの合成が研究されている。
本研究では, EHRデータ合成における拡散モデルの可能性について検討し, 新たな手法である EHRDiff を提案する。
論文 参考訳（メタデータ） (2023-03-10T02:15:58Z) - Combating COVID-19 using Generative Adversarial Networks and Artificial
Intelligence for Medical Images: A Scoping Review [1.2944868613449219]
このレビューは、さまざまなGANsメソッドと、COVID-19のための肺画像データセットをまとめた最初のものである。
このレビューには、新型コロナウイルス(COVID-19)の肺画像データに異なる用途にGANを使用することを報告した57のフルテキスト研究が含まれている。
論文 参考訳（メタデータ） (2022-05-15T09:43:54Z) - Ultrasound Signal Processing: From Models to Deep Learning [64.56774869055826]
医用超音波画像は、信頼性と解釈可能な画像再構成を提供するために、高品質な信号処理に大きく依存している。
データ駆動方式で最適化されたディープラーニングベースの手法が人気を集めている。
比較的新しいパラダイムは、データ駆動型ディープラーニングの活用とドメイン知識の活用という2つのパワーを組み合わせたものだ。
論文 参考訳（メタデータ） (2022-04-09T13:04:36Z) - Improving COVID-19 CXR Detection with Synthetic Data Augmentation [0.0]
我々は,新型コロナウイルス画像データに基づく深層学習モデルを訓練し,そのモデルを病院の胸部X線データ上で評価する。
我々は、このデータに基づいて合成X線画像を生成するために、ジェネレーティブ・アドバイサル・ネットワークを使用している。
論文 参考訳（メタデータ） (2021-12-14T16:42:39Z) - Deceive D: Adaptive Pseudo Augmentation for GAN Training with Limited
Data [125.7135706352493]
GAN(Generative Adversarial Network)は、高忠実度画像を合成するために、訓練に十分なデータを必要とする。
近年の研究では、差別者の過度な適合により、限られたデータでGANを訓練することは困難であることが示されている。
本稿では,APA (Adaptive Pseudo Augmentation) と呼ばれる新しい手法を提案する。
論文 参考訳（メタデータ） (2021-11-12T18:13:45Z) - The pitfalls of using open data to develop deep learning solutions for
COVID-19 detection in chest X-rays [64.02097860085202]
深層学習モデルは、胸部X線から新型コロナウイルスを識別するために開発された。
オープンソースデータのトレーニングやテストでは,結果は異例です。
データ分析とモデル評価は、人気のあるオープンソースデータセットであるCOVIDxが実際の臨床問題を代表していないことを示している。
論文 参考訳（メタデータ） (2021-09-14T10:59:11Z)
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。