論文の概要: Evaluating the feasibility of using Generative Models to generate Chest X-Ray Data

• arxiv url: http://arxiv.org/abs/2305.18927v1
• Date: Tue, 30 May 2023 10:36:30 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-31 16:50:44.014412
• Title: Evaluating the feasibility of using Generative Models to generate Chest X-Ray Data
• Title（参考訳）: 胸部X線データ生成における生成モデルの有用性評価
• Authors: Muhammad Danyal Malik and Danish Humair
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this paper, we explore the feasibility of using generative models, specifically Progressive Growing GANs (PG-GANs) and Stable Diffusion fine-tuning, to generate synthetic chest X-ray images for medical diagnosis purposes. Due to ethical concerns, obtaining sufficient medical data for machine learning is a challenge, which our approach aims to address by synthesising more data. We utilised the Chest X-ray 14 dataset for our experiments and evaluated the performance of our models through qualitative and quantitative analysis. Our results show that the generated images are visually convincing and can be used to improve the accuracy of classification models. However, further work is needed to address issues such as overfitting and the limited availability of real data for training and testing. The potential of our approach to contribute to more effective medical diagnosis through deep learning is promising, and we believe that continued advancements in image generation technology will lead to even more promising results in the future.
• Abstract（参考訳）: 本稿では, 生成モデル, 特にPG-GAN(Progressive Growing GANs)と安定拡散微調整を用いて, 医用胸部X線画像の生成の可能性について検討する。 倫理的な懸念から、機械学習のための十分な医療データを取得することは課題であり、我々のアプローチはより多くのデータを合成することを目指しています。 我々は、ケストX線14データセットを実験に利用し、定性的および定量的解析によりモデルの性能を評価した。 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。 しかし、過剰フィッティングやトレーニングやテストのための実データの可用性の制限といった問題に対処するために、さらなる作業が必要である。 我々のアプローチが深層学習によるより効果的な医療診断に貢献する可能性は有望であり、画像生成技術の継続的な進歩が将来さらに有望な結果をもたらすと信じている。

関連論文リスト

• Exploring Foundation Models for Synthetic Medical Imaging: A Study on Chest X-Rays and Fine-Tuning Techniques [0.49000940389224884]
  機械学習は、疾患の予防と治療の特定を支援することで、医療を著しく進歩させた。 しかし、プライバシの懸念と厳格な規制のため、患者データへのアクセスは困難である可能性がある。 近年の研究では、微調整基礎モデルがこのようなデータを効果的に生成できることが示唆されている。
  論文  参考訳（メタデータ） (2024-09-06T17:36:08Z)
• Deep Reinforcement Learning Framework for Thoracic Diseases Classification via Prior Knowledge Guidance [49.87607548975686]
  関連疾患に対するラベル付きデータの不足は、正確な診断にとって大きな課題となる。 本稿では,診断エージェントの学習を指導するための事前知識を導入する,新しい深層強化学習フレームワークを提案する。 提案手法の性能はNIHX-ray 14とCheXpertデータセットを用いて実証した。
  論文  参考訳（メタデータ） (2023-06-02T01:46:31Z)
• 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)
• Leveraging GANs for data scarcity of COVID-19: Beyond the hype [1.0957528713294873]
  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。
  論文  参考訳（メタデータ） (2023-04-07T08:26:12Z)
• Image Synthesis with Disentangled Attributes for Chest X-Ray Nodule Augmentation and Detection [52.93342510469636]
  肺癌早期検診では胸部X線像の肺結節検出が一般的である。 ディープラーニングに基づくコンピュータ支援診断(CAD)システムは、CXRの結節スクリーニングのために放射線科医をサポートすることができる。 このようなデータセットの可用性を損なうため,データ拡張のために肺結節合成法を提案する。
  論文  参考訳（メタデータ） (2022-07-19T16:38:48Z)
• SyntheX: Scaling Up Learning-based X-ray Image Analysis Through In Silico Experiments [12.019996672009375]
  人間のモデルからリアルなシミュレートされた画像を作成することは、大規模なIn situデータ収集の代替となることを示す。 人体モデルからの学習データの合成は、容易にスケールできるので、我々がSyntheXと呼ぶX線画像解析のためのモデル転送パラダイムが、実際のデータ学習モデルよりも優れていることが分かりました。
  論文  参考訳（メタデータ） (2022-06-13T13:08:41Z)
• 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)
• Variational Knowledge Distillation for Disease Classification in Chest X-Rays [102.04931207504173]
  我々は,X線に基づく疾患分類のための新しい確率的推論フレームワークである反復的知識蒸留(VKD)を提案する。 提案手法の有効性を,X線画像とEHRを用いた3つの公開ベンチマークデータセットに示す。
  論文  参考訳（メタデータ） (2021-03-19T14:13:56Z)
• 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)
• Evaluating the Clinical Realism of Synthetic Chest X-Rays Generated Using Progressively Growing GANs [0.0]
  胸部X線は多くの患者のワークアップに欠かせない道具である。 新たな診断ツールを開発するためには,ラベル付きデータの量を増やす必要がある。 これまでの研究は、イメージを合成してトレーニングデータを増強するクラス固有のGANを作成することで、これらの問題に対処しようとしてきた。
  論文  参考訳（メタデータ） (2020-10-07T11:47:22Z)
• Self-Training with Improved Regularization for Sample-Efficient Chest X-Ray Classification [80.00316465793702]
  挑戦的なシナリオで堅牢なモデリングを可能にするディープラーニングフレームワークを提案する。 その結果,85%のラベル付きデータを用いて,大規模データ設定で学習した分類器の性能に適合する予測モデルを構築することができた。
  論文  参考訳（メタデータ） (2020-05-03T02:36:00Z)

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。