論文の概要: Performance of GAN-based augmentation for deep learning COVID-19 image classification

• arxiv url: http://arxiv.org/abs/2304.09067v2
• Date: Fri, 2 Feb 2024 20:49:54 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-07 06:55:06.593528
• Title: Performance of GAN-based augmentation for deep learning COVID-19 image classification
• Title（参考訳）: 深層学習型COVID-19画像分類のためのGANによる拡張機能の評価
• Authors: Oleksandr Fedoruk, Konrad Klimaszewski, Aleksander Ogonowski, Rafa{\l} Mo\.zd\.zonek
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 57.1795052451257
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: The biggest challenge in the application of deep learning to the medical domain is the availability of training data. Data augmentation is a typical methodology used in machine learning when confronted with a limited data set. In a classical approach image transformations i.e. rotations, cropping and brightness changes are used. In this work, a StyleGAN2-ADA model of Generative Adversarial Networks is trained on the limited COVID-19 chest X-ray image set. After assessing the quality of generated images they are used to increase the training data set improving its balance between classes. We consider the multi-class classification problem of chest X-ray images including the COVID-19 positive class that hasn't been yet thoroughly explored in the literature. Results of transfer learning-based classification of COVID-19 chest X-ray images are presented. The performance of several deep convolutional neural network models is compared. The impact on the detection performance of classical image augmentations i.e. rotations, cropping, and brightness changes are studied. Furthermore, classical image augmentation is compared with GAN-based augmentation. The most accurate model is an EfficientNet-B0 with an accuracy of 90.2 percent, trained on a dataset with a simple class balancing. The GAN augmentation approach is found to be subpar to classical methods for the considered dataset.
• Abstract（参考訳）: 医学領域へのディープラーニングの適用における最大の課題は、トレーニングデータの可用性である。 データ拡張は、限られたデータセットに直面すると機械学習で使用される典型的な手法である。 古典的なアプローチでは、回転、クロッピング、明るさ変化などの画像変換が用いられる。 本研究では,covid-19胸部x線画像セットを用いて,生成的敵ネットワークのstylegan2-adaモデルを訓練する。 生成された画像の品質を評価した後、クラス間のバランスを改善するトレーニングデータセットを増やすために使用される。 文献ではまだ徹底的に研究されていない新型コロナウイルス陽性クラスを含む胸部X線画像の多クラス分類問題を考察する。 転送学習に基づくcovid-19胸部x線画像の分類を行った。 複数の深層畳み込みニューラルネットワークモデルの性能を比較した。 古典的画像拡張の検知性能,すなわち回転,切り欠き,明るさ変化に及ぼす効果について検討した。 さらに、従来の画像拡張とganベースの拡張を比較する。 最も正確なモデルは90.2%の精度のEfficientNet-B0で、単純なクラスバランスのデータセットでトレーニングされている。 GAN拡張アプローチは、考慮されたデータセットの古典的手法に準じるものである。

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)
• Explainable and Lightweight Model for COVID-19 Detection Using Chest Radiology Images [0.0]
  畳み込みニューラルネットワーク(CNN)は、大量のデータをトレーニングする際の画像解析タスクに適している。 新型コロナウイルス(COVID-19)の検出のために提案されたツールのほとんどは、高い感度とリコールを持っているが、目に見えないデータセットでのテストでは、一般化と実行に失敗している。 本研究は,提案モデルの成功と失敗について,画像レベルで詳細に考察する。
  論文  参考訳（メタデータ） (2022-12-28T11:48:29Z)
• Data Augmentation using Feature Generation for Volumetric Medical Images [0.08594140167290097]
  医用画像分類は画像認識領域で最も重要な問題の一つである。 この分野での大きな課題の1つは、ラベル付きトレーニングデータの不足である。 特にディープラーニングモデルでは,画像のセグメンテーションや分類問題に関する有望な結果が示されている。
  論文  参考訳（メタデータ） (2022-09-28T13:46:24Z)
• COVID-19 Severity Classification on Chest X-ray Images [0.0]
  本研究は,感染の重症度に基づいて画像の分類を行う。 ResNet-50モデルは精度95%、リコール(0.94)、F1スコア(0.92)、精度(0.91)で顕著な分類結果を得た。
  論文  参考訳（メタデータ） (2022-05-25T12:01:03Z)
• Application of Transfer Learning and Ensemble Learning in Image-level Classification for Breast Histopathology [9.037868656840736]
  CAD(Computer-Aided Diagnosis)では、従来の分類モデルでは、主に1つのネットワークを使って特徴を抽出する。 本稿では良性病変と悪性病変のバイナリ分類のための画像レベルラベルに基づく深層アンサンブルモデルを提案する。 結果: アンサンブルネットワークモデルにおいて、画像レベルのバイナリ分類は9,8.90%の精度を達成する。
  論文  参考訳（メタデータ） (2022-04-18T13:31:53Z)
• Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
  ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。 胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。 本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
  論文  参考訳（メタデータ） (2021-02-26T02:29:30Z)
• 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)
• 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)
• Classification of COVID-19 in CT Scans using Multi-Source Transfer Learning [91.3755431537592]
  我々は,従来のトランスファー学習の改良にマルチソース・トランスファー・ラーニングを応用して,CTスキャンによる新型コロナウイルスの分類を提案する。 マルチソースファインチューニングアプローチでは、ImageNetで微調整されたベースラインモデルよりも優れています。 我々の最高のパフォーマンスモデルは、0.893の精度と0.897のリコールスコアを達成でき、ベースラインのリコールスコアを9.3%上回った。
  論文  参考訳（メタデータ） (2020-09-22T11:53:06Z)

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。