論文の概要: Deep Learning Approaches for Data Augmentation in Medical Imaging: A
Review
- arxiv url: http://arxiv.org/abs/2307.13125v1
- Date: Mon, 24 Jul 2023 20:53:59 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-26 18:52:44.652488
- Title: Deep Learning Approaches for Data Augmentation in Medical Imaging: A
Review
- Title（参考訳）: 医用画像におけるデータ拡張のための深層学習手法の検討
- Authors: Aghiles Kebaili, J\'er\^ome Lapuyade-Lahorgue and Su Ruan
- Abstract要約: 医用画像拡張のための3種類の深部生成モデル(変分オートエンコーダ、生成対向ネットワーク、拡散モデル)に焦点をあてる。
本稿では,これらの各モデルにおける技術の現状について概説するとともに,分類,セグメンテーション,クロスモーダル翻訳など,医療画像における下流業務における活用の可能性について論じる。
我々のゴールは、医用画像増倍のための深部生成モデルの使用に関する総合的なレビューを提供することであり、医用画像解析における深部学習アルゴリズムの性能向上のためのこれらのモデルの可能性を明らかにすることである。
- 参考スコア（独自算出の注目度）: 2.8145809047875066
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Deep learning has become a popular tool for medical image analysis, but the
limited availability of training data remains a major challenge, particularly
in the medical field where data acquisition can be costly and subject to
privacy regulations. Data augmentation techniques offer a solution by
artificially increasing the number of training samples, but these techniques
often produce limited and unconvincing results. To address this issue, a
growing number of studies have proposed the use of deep generative models to
generate more realistic and diverse data that conform to the true distribution
of the data. In this review, we focus on three types of deep generative models
for medical image augmentation: variational autoencoders, generative
adversarial networks, and diffusion models. We provide an overview of the
current state of the art in each of these models and discuss their potential
for use in different downstream tasks in medical imaging, including
classification, segmentation, and cross-modal translation. We also evaluate the
strengths and limitations of each model and suggest directions for future
research in this field. Our goal is to provide a comprehensive review about the
use of deep generative models for medical image augmentation and to highlight
the potential of these models for improving the performance of deep learning
algorithms in medical image analysis.
- Abstract（参考訳）: 深層学習は医用画像分析の一般的なツールとなっているが、特にデータ取得が費用がかかりプライバシー規制の対象となる医療分野では、トレーニングデータの限られた利用が大きな課題となっている。
データ拡張技術は、人工的にトレーニングサンプル数を増やすことで解決策を提供するが、これらの技術は多くの場合、限定的かつ説得力のない結果を生み出す。
この問題に対処するために、多くの研究が、データの真の分布に適合するより現実的で多様なデータを生成するために、深層生成モデルを使うことを提案している。
本稿では,医用画像強調のための3種類の深部生成モデル,変分オートエンコーダ,生成対向ネットワーク,拡散モデルに焦点を当てる。
これら各モデルにおける技術の現状について概観し, 分類, 分節化, クロスモーダル翻訳など, 医用画像の下流課題における利用の可能性について考察する。
また,各モデルの強度と限界を評価し,今後の研究の方向性を提案する。
本研究の目的は,医療画像拡張における深層生成モデルの利用に関する包括的レビューと,医療画像解析における深層学習アルゴリズムの性能向上に向けたこれらのモデルの可能性を強調することである。
関連論文リスト
- Deep Generative Models for 3D Medical Image Synthesis [1.931185411277237]
深部生成モデリングは、現実的な医療画像を合成するための強力なツールとして登場した。
本章では3次元医用画像合成のための様々な深部生成モデルについて考察する。
論文 参考訳（メタデータ） (2024-10-23T08:33:23Z) - Data Augmentation in Human-Centric Vision [54.97327269866757]
本研究では,人間中心型視覚タスクにおけるデータ拡張手法の包括的分析を行う。
それは、人物のReID、人間のパーシング、人間のポーズ推定、歩行者検出など、幅広い研究領域に展開している。
我々の研究は、データ拡張手法をデータ生成とデータ摂動の2つの主なタイプに分類する。
論文 参考訳（メタデータ） (2024-03-13T16:05:18Z) - Foundational Models in Medical Imaging: A Comprehensive Survey and
Future Vision [6.2847894163744105]
ファンデーションモデルは、広範囲の下流タスクに適応した大規模で事前訓練されたディープラーニングモデルである。
これらのモデルは、コンテキスト推論、一般化、テスト時の迅速な機能を促進する。
コンピュータビジョンの進歩に乗じて、医療画像はこれらのモデルへの関心も高まっている。
論文 参考訳（メタデータ） (2023-10-28T12:08:12Z) - 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) - Augmenting Medical Imaging: A Comprehensive Catalogue of 65 Techniques
for Enhanced Data Analysis [0.0]
データ拡張は、トレーニングデータセットのサイズと多様性を高めるための有望で費用効果の高いテクニックとして現れています。
医用画像撮影に用いたデータ拡張技術について,11種類の目的を同定し,65種類の異なる手法を収集し,詳細な調査を行った。
今後、利用可能な技術のリストが拡大し、研究者が考慮すべき追加オプションが提供されることが期待されている。
論文 参考訳（メタデータ） (2023-03-02T11:47:55Z) - 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) - Explainable Deep Learning Methods in Medical Image Classification: A
Survey [0.0]
最先端のディープラーニングモデルは、異なるタイプの医療データの分類において、人間レベルの精度を達成した。
これらのモデルは、主に解釈可能性の欠如のために、臨床ではほとんど採用されていない。
ディープラーニングモデルのブラックボックス性は、これらのモデルの意思決定プロセスを説明するための戦略を考案する必要性を高めている。
論文 参考訳（メタデータ） (2022-05-10T09:28:14Z) - Ultrasound Signal Processing: From Models to Deep Learning [64.56774869055826]
医用超音波画像は、信頼性と解釈可能な画像再構成を提供するために、高品質な信号処理に大きく依存している。
データ駆動方式で最適化されたディープラーニングベースの手法が人気を集めている。
比較的新しいパラダイムは、データ駆動型ディープラーニングの活用とドメイン知識の活用という2つのパワーを組み合わせたものだ。
論文 参考訳（メタデータ） (2022-04-09T13:04:36Z) - Deep Co-Attention Network for Multi-View Subspace Learning [73.3450258002607]
マルチビューサブスペース学習のための深層コアテンションネットワークを提案する。
共通情報と相補情報の両方を敵意で抽出することを目的としている。
特に、新しいクロス再構成損失を使用し、ラベル情報を利用して潜在表現の構築を誘導する。
論文 参考訳（メタデータ） (2021-02-15T18:46:44Z) - Generative Adversarial U-Net for Domain-free Medical Image Augmentation [49.72048151146307]
注釈付き医用画像の不足は、医用画像コンピューティングの分野における最大の課題の1つだ。
本稿では,生成逆U-Netという新しい生成手法を提案する。
当社の新しいモデルは、ドメインフリーで、さまざまな医療画像に汎用性があります。
論文 参考訳（メタデータ） (2021-01-12T23:02:26Z) - Sampling for Deep Learning Model Diagnosis (Technical Report) [5.8057675678464555]
ディープニューラルネットワークのブラックボックスの性質は、医学的診断などの応用における採用の障壁である。
我々は,これらのモデルデバッグクエリに対して,近似的だが正確な結果を生成する新しいデータサンプリング手法を開発した。
本手法は,1つの標準的なコンピュータビジョンと1つの科学的データセットで評価し,クエリの精度において,サンプリング手法が様々な最先端の代替技術より優れていることを示す。
論文 参考訳（メタデータ） (2020-02-22T19:24:16Z)
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。