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/2306.17466v4
Date: Wed, 14 Aug 2024 08:08:55 GMT
ステータス: 処理完了
システム内更新日: 2024-08-15 18:46:43.198224
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, Qiujie Lv, Yifan Li, Ziduo Yang, 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で広く活用されている。医学画像解析(MIA)におけるDAは、複数の課題に直面している。我々は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。
参考スコア（独自算出の注目度）: 9.724228319915609
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Data augmentation (DA) has been widely leveraged in 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, utilizing 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 a pixel augmentation space and spatial augmentation space and exclude the operations that can break medical details and features, such as severe color distortions or structural alterations that can compromise image diagnostic value. 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 configurations settle the differences between natural and medical images, such as high sensitivity to certain attributes such as brightness and posterize. Extensive experimental results on four classification and four segmentation datasets demonstrate the superiority of MedAugment. Compared with existing approaches, the proposed MedAugment serves as a more suitable yet general processing pipeline for medical images without producing color distortions or structural alterations and involving negligible computational overhead. We emphasize that our method can serve as a plugin for arbitrary projects without any extra training stage, thereby holding the potential to make a valuable contribution to the medical field, particularly for medical experts without a solid foundation 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、これらの手法を利用することで、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が生じる。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。画像診断の精度を損なうような重度の色歪みや構造変化などの医学的詳細や特徴を損なうことができる操作を除外し,ピクセル増量空間と空間増量空間を提案する。さらに,2つの空間から限られた数の操作をサンプリングすることで,新しいサンプリング手法を提案する。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し,合理的な拡張レベルを生成するために,ハイパーパラメータマッピング関係を提案する。これらの構成は、輝度やポスター化などの特定の属性に対する感度が高いなど、自然画像と医療画像の違いを解決している。 4つの分類と4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。既存のアプローチと比較して、提案されたMedAugmentは、色歪みや構造変化を発生させることなく、無視可能な計算オーバーヘッドを伴わずに、医療画像のより適切な一般的な処理パイプラインとして機能する。本手法は追加の訓練段階を伴わずに任意のプロジェクトのためのプラグインとして機能し,医学分野,特に深層学習の基盤が確立されていない医療専門家に有用な貢献を行う可能性を秘めている。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。