論文の概要: CosSIF: Cosine similarity-based image filtering to overcome low
inter-class variation in synthetic medical image datasets
- arxiv url: http://arxiv.org/abs/2307.13842v1
- Date: Tue, 25 Jul 2023 22:37:10 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-27 14:16:32.620015
- Title: CosSIF: Cosine similarity-based image filtering to overcome low
inter-class variation in synthetic medical image datasets
- Title（参考訳）: CosSIF: 合成医用画像データセットのクラス間変動を克服するコサイン類似画像フィルタリング
- Authors: Mominul Islam, Hasib Zunair, Nabeel Mohammed
- Abstract要約: 我々はCosSIF(Cosine similarity-based Image Filtering)と呼ばれる新しいフィルタリングアルゴリズムを提案する。
我々はCosSIFを利用して、GANトレーニング前のフィルタリング(FBGT)とGANトレーニング後のフィルタリング(FAGT)の2つの異なるフィルタリング方法を開発した。
- 参考スコア（独自算出の注目度）: 0.8902331669190869
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Crafting effective deep learning models for medical image analysis is a
complex task, particularly in cases where the medical image dataset lacks
significant inter-class variation. This challenge is further aggravated when
employing such datasets to generate synthetic images using generative
adversarial networks (GANs), as the output of GANs heavily relies on the input
data. In this research, we propose a novel filtering algorithm called Cosine
Similarity-based Image Filtering (CosSIF). We leverage CosSIF to develop two
distinct filtering methods: Filtering Before GAN Training (FBGT) and Filtering
After GAN Training (FAGT). FBGT involves the removal of real images that
exhibit similarities to images of other classes before utilizing them as the
training dataset for a GAN. On the other hand, FAGT focuses on eliminating
synthetic images with less discriminative features compared to real images used
for training the GAN. Experimental results reveal that employing either the
FAGT or FBGT method with modern transformer and convolutional-based networks
leads to substantial performance gains in various evaluation metrics. FAGT
implementation on the ISIC-2016 dataset surpasses the baseline method in terms
of sensitivity by 1.59\% and AUC by 1.88\%. Furthermore, for the HAM10000
dataset, applying FABT outperforms the baseline approach in terms of recall by
13.75\%, and with the sole implementation of FAGT, achieves a maximum accuracy
of 94.44\%.
- Abstract（参考訳）: 医用画像分析のための効果的なディープラーニングモデルの作成は複雑な作業であり、特に医用画像データセットがクラス間の大きな変動を欠く場合である。
この課題は、GAN(Generative Adversarial Network)を用いて合成画像を生成するためにそのようなデータセットを使用する場合、GANの出力が入力データに大きく依存するため、さらに増大する。
本研究では,Cosine similarity-based Image Filtering (CosSIF) と呼ばれる新しいフィルタリングアルゴリズムを提案する。
我々はCosSIFを利用して、FBGT前フィルタリング(FBGT)とFAGT後フィルタリング(FAGT)の2つの異なるフィルタリング手法を開発した。
FBGTは、GANのトレーニングデータセットとして利用する前に、他のクラスのイメージと類似性を示す実際のイメージを削除する。
一方、FAGTは、GANの訓練に使用する実画像と比較して、識別性の低い合成画像の除去に重点を置いている。
実験結果から,FAGT法とFBGT法を現代の変圧器と畳み込み型ネットワークで併用することにより,各種評価指標においてかなりの性能向上が得られた。
ISIC-2016データセット上のFAGTの実装は、感度が1.59 %、AUCが1.88 %のベースラインメソッドを超えている。
さらに、HAM10000データセットでは、FABTの適用は13.75\%のリコール率でベースラインアプローチよりも優れており、FAGTの唯一の実装により、94.44\%の最大精度が得られる。
関連論文リスト
- Medical Imaging Complexity and its Effects on GAN Performance [1.776717121506676]
医用医用画像合成は, 画像合成のための強力な手法として, GAN (Generative Adversarial Network) による医用画像合成が登場した。
サンプルデータセットサイズと生成された画像の忠実度との関係を計測するベンチマークを実験的に確立する。
サンプルサイズが変化する複数の医用画像データセットをトレーニングした,最先端の2つのGANであるStyleGAN 3とSPADE-GANを用いて実験を行った。
論文 参考訳（メタデータ） (2024-10-23T15:28:25Z) - Additional Look into GAN-based Augmentation for Deep Learning COVID-19
Image Classification [57.1795052451257]
我々は,GANに基づく拡張性能のデータセットサイズ依存性について,小サンプルに着目して検討した。
両方のセットでStyleGAN2-ADAをトレーニングし、生成した画像の品質を検証した後、マルチクラス分類問題における拡張アプローチの1つとしてトレーニングされたGANを使用する。
GANベースの拡張アプローチは、中規模および大規模データセットでは古典的な拡張に匹敵するが、より小さなデータセットでは不十分である。
論文 参考訳（メタデータ） (2024-01-26T08:28:13Z) - DGNet: Dynamic Gradient-Guided Network for Water-Related Optics Image
Enhancement [77.0360085530701]
水中画像強調(UIE)は、水中環境によって引き起こされる複雑な劣化のために難しい課題である。
従来の手法では、劣化過程を理想化し、中音や物体の動きが画像の特徴の分布に与える影響を無視することが多い。
提案手法では,予測画像を用いて疑似ラベルを動的に更新し,動的勾配を加えてネットワークの勾配空間を最適化する。
論文 参考訳（メタデータ） (2023-12-12T06:07:21Z) - Parameter-Efficient Fine-Tuning for Medical Image Analysis: The Missed Opportunity [15.404013190033242]
の応用。
医用画像解析におけるPEFT(Efficient Fine-Tuning)は, 比較的未探索である。
本研究では、画像分類とテキスト・ツー・イメージ生成タスクにおいて、17の異なるPEFTアルゴリズムを評価することにより、このギャップを埋める。
本研究はPEFTの有効性,特に医用画像に共通する低データ領域における有効性を示すものである。
論文 参考訳（メタデータ） (2023-05-14T21:18:18Z) - 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) - Harmonizing Pathological and Normal Pixels for Pseudo-healthy Synthesis [68.5287824124996]
そこで本研究では,新しいタイプの識別器であるセグメンタを提案し,病変の正確な特定と擬似健康画像の視覚的品質の向上を図っている。
医用画像強調に生成画像を適用し,低コントラスト問題に対処するために拡張結果を利用する。
BraTSのT2モダリティに関する総合的な実験により、提案手法は最先端の手法よりも大幅に優れていることが示された。
論文 参考訳（メタデータ） (2022-03-29T08:41:17Z) - Label Geometry Aware Discriminator for Conditional Generative Networks [40.89719383597279]
条件付きGenerative Adversarial Networks(GAN)は、目的のターゲットクラスで高画質の画像を生成することができます。
これらの合成画像は、画像分類などの下流監督タスクを改善するために必ずしも役に立たない。
論文 参考訳（メタデータ） (2021-05-12T08:17:25Z) - Anonymization of labeled TOF-MRA images for brain vessel segmentation
using generative adversarial networks [0.9854633436173144]
GAN(Generative Adversarial Network)は、予測特性を保持しながら、匿名画像を提供する可能性がある。
画像ラベル生成のための磁気共鳴血管造影 (MRA) パッチを用いて, 飛行時間(TOF)で3GANを訓練した。
各GANから生成された画像ラベルは、セグメント化のためのU-netのトレーニングに使用され、実際のデータでテストされた。
論文 参考訳（メタデータ） (2020-09-09T11:30:58Z) - Pathological Retinal Region Segmentation From OCT Images Using Geometric
Relation Based Augmentation [84.7571086566595]
本稿では,幾何学と形状の内在的関係を共同で符号化することで,従来のGANベースの医用画像合成法よりも優れた手法を提案する。
提案手法は,取得手順の異なる画像を有する公開RETOUCHデータセット上で,最先端のセグメンテーション手法より優れている。
論文 参考訳（メタデータ） (2020-03-31T11:50:43Z) - Lesion Conditional Image Generation for Improved Segmentation of
Intracranial Hemorrhage from CT Images [0.0]
データ拡張のためのCT画像を生成するために,病変条件付きジェネレーティブ・アドバイサル・ネットワークLcGANを提案する。
病変条件画像(segmented mask)は、訓練中にジェネレータとLcGANの判別器の両方に入力される。
完全畳み込みネットワーク(FCN)スコアと曖昧さを用いて画像の品質を定量化する。
論文 参考訳（メタデータ） (2020-03-30T23:32:54Z) - Joint Deep Learning of Facial Expression Synthesis and Recognition [97.19528464266824]
顔表情の合成と認識を効果的に行うための新しい統合深層学習法を提案する。
提案手法は, 2段階の学習手順を伴い, まず, 表情の異なる顔画像を生成するために, 表情合成生成対向ネットワーク (FESGAN) を事前訓練する。
実画像と合成画像間のデータバイアスの問題を軽減するために,新しい実データ誘導バックプロパゲーション(RDBP)アルゴリズムを用いたクラス内損失を提案する。
論文 参考訳（メタデータ） (2020-02-06T10:56:00Z)
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。