Fugu-MT 論文翻訳(概要): MedAugment: Universal Automatic Data Augmentation Plug-in for Medical Image Analysis

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

arxiv url: http://arxiv.org/abs/2306.17466v3
Date: Tue, 7 Nov 2023 09:45:53 GMT
ステータス: 処理完了
システム内更新日: 2023-11-08 22:34:36.411446
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: MedAugmentと呼ばれる効率的かつ効果的な自動DA手法を提案する。医用画像の細部や特徴を分解できる操作を除外し,画素拡大空間と空間拡張空間を提案する。これらの改訂は、自然画像と医用画像の違いに対処する。
参考スコア（独自算出の注目度）: 10.432599009897523
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Data augmentation (DA) has been widely leveraged in the realm 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 conventional DA, synthetic DA, and automatic DA. However, the utilization of these approaches poses various challenges such as experience-driven design and intensive computation cost. Here, we propose an efficient and effective automatic DA method termed MedAugment. We propose the pixel augmentation space and spatial augmentation space and exclude the operations that can break the details and features within medical images. Besides, we propose a novel sampling strategy by sampling a limited number of operations from the two spaces. Moreover, we present a hyperparameter mapping relationship to produce a rational augmentation level and make the MedAugment fully controllable using a single hyperparameter. These revisions address the differences between natural and medical images. Extensive experimental results on four classification and three segmentation datasets demonstrate the superiority of MedAugment. We posit that the plug-and-use and training-free MedAugment holds the potential to make a valuable contribution to the medical field, particularly benefiting medical experts lacking foundational expertise in deep learning. 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領域で広く活用されているが、医療画像分析(MIA)におけるDAは、複数の課題に直面している。 MIAにおける一般的なDAアプローチは、従来のDA、合成DA、自動DAを含む。しかし、これらのアプローチの利用は、経験駆動設計や集中的な計算コストといった様々な課題をもたらす。本稿では,MedAugmentと呼ばれる効率的かつ効果的な自動DA手法を提案する。本稿では,画素増倍空間と空間増倍空間を提案し,医用画像の詳細と特徴を破る操作を除外する。さらに, 2 つの空間から限られた数の演算をサンプリングし, 新たなサンプリング戦略を提案する。さらに,MedAugmentを1つのハイパーパラメータで完全に制御可能にするために,高パラメータマッピング関係を提案する。これらの改訂は、自然画像と医療画像の違いに対処する。 4つの分類と3つのセグメンテーションデータセットの大規模な実験結果は、MedAugmentの優位性を示している。我々は、プラグアンドユースとトレーニングフリーのMedAugmentが、医学分野、特に深層学習における基礎知識の欠如した医療専門家に有意義な貢献をする可能性を秘めていると仮定する。コードはhttps://github.com/NUS-Tim/MedAugment.comで入手できる。

関連論文リスト

Geodesic Optimization for Predictive Shift Adaptation on EEG data [53.58711912565724]
ドメイン適応メソッドは、$X$と$y$で分散シフトが同時に発生したときに苦労する。本稿では,GOPSA(Geodesic Optimization for Predictive Shift Adaptation)と呼ばれる新しい手法を提案する。 GOPSAは、脳波のバイオメディカル応用のための混合効果モデリングと機械学習を併用する可能性を持っている。
論文参考訳（メタデータ） (2024-07-04T12:15:42Z)
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)
VISION-MAE: A Foundation Model for Medical Image Segmentation and Classification [36.8105960525233]
医用画像に特化して設計された新しい基礎モデルVISION-MAEを提案する。 VISION-MAEは、様々なモダリティから250万枚の未ラベル画像のデータセットでトレーニングされている。その後、明示的なラベルを使って分類とセグメンテーションのタスクに適応する。
論文参考訳（メタデータ） (2024-02-01T21:45:12Z)
Diagnosing Alzheimer's Disease using Early-Late Multimodal Data Fusion with Jacobian Maps [1.5501208213584152]
アルツハイマー病(英語: Alzheimer's disease、AD)は、老化に影響を及ぼす神経変性疾患である。本稿では,自動特徴抽出とランダム森林のための畳み込みニューラルネットワークを利用する,効率的な早期融合(ELF)手法を提案する。脳の容積の微妙な変化を検出するという課題に対処するために、画像をヤコビ領域(JD)に変換する。
論文参考訳（メタデータ） (2023-10-25T19:02:57Z)
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)
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)
Understanding the Tricks of Deep Learning in Medical Image Segmentation: Challenges and Future Directions [66.40971096248946]
本稿では,モデル実装の異なるフェーズに対して,MedISegの一連のトリックを収集する。本稿では,これらの手法の有効性を一貫したベースライン上で実験的に検討する。私たちはまた、それぞれのコンポーネントがプラグインとプレイの利点を持つ強力なMedISegリポジトリをオープンソースにしました。
論文参考訳（メタデータ） (2022-09-21T12:30:05Z)
Robust and Efficient Medical Imaging with Self-Supervision [80.62711706785834]
医用画像AIの堅牢性とデータ効率を向上させるための統一表現学習戦略であるREMEDISを提案する。様々な医療画像タスクを研究し, 振り返りデータを用いて3つの現実的な応用シナリオをシミュレートする。
論文参考訳（メタデータ） (2022-05-19T17:34:18Z)
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)

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。