論文の概要: MedAugment: Universal Automatic Data Augmentation Plug-in for Medical Image Analysis

• arxiv url: http://arxiv.org/abs/2306.17466v2
• Date: Sat, 5 Aug 2023 07:47:14 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-08 22:32:02.990040
• Title: MedAugment: Universal Automatic Data Augmentation Plug-in for Medical Image Analysis
• Title（参考訳）: MedAugment: 医用画像解析のためのユニバーサル自動データ拡張プラグイン
• Authors: Zhaoshan Liu and Qiujie Lv and Yifan Li and Ziduo Yang and Lei Shen
• Abstract要約: データ拡張(DA)は、データ不足を軽減するためにコンピュータビジョンの分野で広く実装されている。 医用画像解析(MIA)におけるDAアプローチは、一般的なDAと、生成的敵ネットワークに基づくDAの両方を包含する。 そこで我々は,MedAugment というプラグイン・アンド・ユースDA手法を開発し,MIA フィールドの恩恵を受けるために自動 DA を利用する。
• 参考スコア（独自算出の注目度）: 15.729292515732407
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Data Augmentation (DA) has been widely implemented in the field of computer vision to alleviate the data shortage, whereas the DA in Medical Image Analysis (MIA) faces multiple challenges. The prevalent DA approaches in MIA encompass both general DA and generative adversarial network-based DA. However, the former approach is predominantly experience-driven, and the latter approach can be hindered by unquantifiable synthesis quality and mode collapse. Here, we develop a plug-and-use DA method, named MedAugment, to leverage the automatic DA to benefit the MIA field. To address the differences between natural and medical images, we divide the augmentation space into pixel augmentation space and spatial augmentation space. Moreover, a novel operation sampling strategy is proposed when sampling DA operations from the spaces. To demonstrate the performance and universality of MedAugment, we conduct extensive experiments on four classification datasets and three segmentation datasets. The results show that MedAugment outperforms existing DA methods. This work suggests that the plug-and-use MedAugment may benefit the MIA community. Code is available at https://github.com/NUS-Tim/MedAugment.
• Abstract（参考訳）: データ拡張(DA)は、データ不足を軽減するためにコンピュータビジョンの分野で広く実装されているが、医療画像分析(MIA)では複数の課題に直面している。 MIAにおけるDAアプローチは、一般的なDAと生成的敵ネットワークベースDAの両方を含む。 しかし、前者のアプローチは主に経験駆動であり、後者のアプローチは、定量的な合成品質とモード崩壊によって妨げられる。 そこで我々は,MedAugment というプラグイン・アンド・ユースDA手法を開発し,MIA フィールドの恩恵を受けるために自動 DA を利用する。 自然画像と医学画像の違いに対処するため,強調空間をピクセル増補空間と空間増補空間に分けた。 さらに,空間からDA操作をサンプリングする場合に,新たな動作サンプリング戦略を提案する。 メダグメントの性能と普遍性を示すために,4つの分類データセットと3つのセグメンテーションデータセットについて広範な実験を行った。 その結果、MedAugmentは既存のDAメソッドよりも優れていることがわかった。 この研究は、プラグアンドユースMedAugmentがMIAコミュニティに利益をもたらすことを示唆している。 コードはhttps://github.com/NUS-Tim/MedAugment.comで入手できる。

関連論文リスト

• MEDDAP: Medical Dataset Enhancement via Diversified Augmentation Pipeline [1.4910709350090976]
  我々はMEDDAPと呼ばれる新しいパイプラインを導入し、新しい情報付きラベル付きサンプルを自動生成することで、既存の小さなデータセットを拡張する。 USLoRAはSD内の重量を選択的に微調整することができ、SDのUNet部分のみを完全微調整するのに対し、パラメータは0.1%未満である。 このアプローチは、乳がんに関する臨床医の意思決定プロセスに触発され、腫瘍の形状が強度よりも重要な役割を担っていることが多い。
  論文  参考訳（メタデータ） (2024-03-25T00:17:43Z)
• End-to-end autoencoding architecture for the simultaneous generation of medical images and corresponding segmentation masks [3.1133049660590615]
  ハミルトン変分オートエンコーダ(HVAE)に基づくエンドツーエンドアーキテクチャを提案する。 従来の変分オートエンコーダ(VAE)と比較して後部分布近似が向上する。 本手法は, 生成的逆境条件より優れ, 画像品質の向上を示す。
  論文  参考訳（メタデータ） (2023-11-17T11:56:53Z)
• EMIT-Diff: Enhancing Medical Image Segmentation via Text-Guided Diffusion Model [4.057796755073023]
  EMIT-Diffと呼ばれる医用画像合成のための制御可能な拡散モデルを開発した。 近年の拡散確率モデルを利用して、現実的で多様な合成医用画像データを生成する。 提案手法では, 合成試料が医療上の制約に適合することを確実にする。
  論文  参考訳（メタデータ） (2023-10-19T16:18:02Z)
• ArSDM: Colonoscopy Images Synthesis with Adaptive Refinement Semantic Diffusion Models [69.9178140563928]
  大腸内視鏡検査は臨床診断や治療に不可欠である。 注釈付きデータの不足は、既存の手法の有効性と一般化を制限する。 本稿では, 下流作業に有用な大腸内視鏡画像を生成するために, 適応Refinement Semantic Diffusion Model (ArSDM)を提案する。
  論文  参考訳（メタデータ） (2023-09-03T07:55:46Z)
• Data Augmentation-Based Unsupervised Domain Adaptation In Medical Imaging [0.709016563801433]
  脳MRI領域分割における堅牢な領域適応のための教師なし手法を提案する。 その結果,提案手法は高い精度を実現し,幅広い適用性を示し,各種タスクにおけるドメインシフトに対する顕著な堅牢性を示した。
  論文  参考訳（メタデータ） (2023-08-08T17:00:11Z)
• On Sensitivity and Robustness of Normalization Schemes to Input Distribution Shifts in Automatic MR Image Diagnosis [58.634791552376235]
  深層学習(DL)モデルは、再構成画像を入力として、複数の疾患の診断において最先端のパフォーマンスを達成した。 DLモデルは、トレーニングとテストフェーズ間の入力データ分布の変化につながるため、さまざまなアーティファクトに敏感である。 本稿では,グループ正規化やレイヤ正規化といった他の正規化手法を用いて,画像のさまざまなアーチファクトに対して,モデル性能にロバスト性を注入することを提案する。
  論文  参考訳（メタデータ） (2023-06-23T03:09:03Z)
• 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)
• MedSegDiff-V2: Diffusion based Medical Image Segmentation with Transformer [53.575573940055335]
  我々は、MedSegDiff-V2と呼ばれるトランスフォーマーベースの拡散フレームワークを提案する。 画像の異なる20種類の画像分割作業において,その有効性を検証する。
  論文  参考訳（メタデータ） (2023-01-19T03:42:36Z)
• PrepNet: A Convolutional Auto-Encoder to Homogenize CT Scans for Cross-Dataset Medical Image Analysis [0.22485007639406518]
  新型コロナウイルスの診断はPCR検査で効率的に行えるようになったが、このユースケースは、データの多様性を克服する方法論の必要性を実証するものだ。 本稿では,CTスキャンに最小限の変更を同時に導入しながら,イメージング技術によって引き起こされる差を解消することを目的とした,新しい生成手法を提案する。
  論文  参考訳（メタデータ） (2022-08-19T15:49:47Z)
• AlignTransformer: Hierarchical Alignment of Visual Regions and Disease Tags for Medical Report Generation [50.21065317817769]
  本稿では,Align Hierarchical Attention (AHA)とMulti-Grained Transformer (MGT)モジュールを含むAlign Transformerフレームワークを提案する。 パブリックなIU-XrayとMIMIC-CXRデータセットの実験は、AlignTransformerが2つのデータセットの最先端メソッドと競合する結果が得られることを示している。
  論文  参考訳（メタデータ） (2022-03-18T13:43:53Z)
• FedMed-ATL: Misaligned Unpaired Brain Image Synthesis via Affine Transform Loss [58.58979566599889]
  脳画像合成のための新しい自己教師型学習(FedMed)を提案する。 アフィン変換損失(ATL)は、プライバシー法に違反することなく、ひどく歪んだ画像を使用するように定式化された。 提案手法は, 極めて不整合かつ不整合なデータ設定下での合成結果の品質の両方において, 高度な性能を示す。
  論文  参考訳（メタデータ） (2022-01-29T13:45:39Z)

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。