論文の概要: Assessing Intra-class Diversity and Quality of Synthetically Generated Images in a Biomedical and Non-biomedical Setting

• arxiv url: http://arxiv.org/abs/2308.02505v1
• Date: Sun, 23 Jul 2023 16:39:18 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-14 01:18:22.204975
• Title: Assessing Intra-class Diversity and Quality of Synthetically Generated Images in a Biomedical and Non-biomedical Setting
• Title（参考訳）: バイオメディカルおよび非バイオメディカル環境における合成画像のクラス内多様性と品質評価
• Authors: Muhammad Muneeb Saad, Mubashir Husain Rehmani, and Ruairi O'Reilly
• Abstract要約: GAN(Generative Adversarial Networks)は、データ拡張タスクにますます依存している。 異なるサンプルサイズを用いて合成画像の多様性と品質を評価する。 その結果,バイオメディカル・バイオメディカル・バイオメディカル・バイオメディカル・バイオメディカル・バイオメディカル・バイオメディカル・バイオメディカル・バイオメディカル・バイオメディカル・バイオメディカル・バイオメディカル・バイオメディカル・バイオメディカル・バイオメディカル・バイオメディカル・イメージング・モダリティにおいて,多様性と品質のスコアは著しく異なることがわかった。
• 参考スコア（独自算出の注目度）: 0.6308539010172307
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In biomedical image analysis, data imbalance is common across several imaging modalities. Data augmentation is one of the key solutions in addressing this limitation. Generative Adversarial Networks (GANs) are increasingly being relied upon for data augmentation tasks. Biomedical image features are sensitive to evaluating the efficacy of synthetic images. These features can have a significant impact on metric scores when evaluating synthetic images across different biomedical imaging modalities. Synthetically generated images can be evaluated by comparing the diversity and quality of real images. Multi-scale Structural Similarity Index Measure and Cosine Distance are used to evaluate intra-class diversity, while Frechet Inception Distance is used to evaluate the quality of synthetic images. Assessing these metrics for biomedical and non-biomedical imaging is important to investigate an informed strategy in evaluating the diversity and quality of synthetic images. In this work, an empirical assessment of these metrics is conducted for the Deep Convolutional GAN in a biomedical and non-biomedical setting. The diversity and quality of synthetic images are evaluated using different sample sizes. This research intends to investigate the variance in diversity and quality across biomedical and non-biomedical imaging modalities. Results demonstrate that the metrics scores for diversity and quality vary significantly across biomedical-to-biomedical and biomedical-to-non-biomedical imaging modalities.
• Abstract（参考訳）: 生体医用画像解析において、データの不均衡は複数の画像モダリティに共通である。 データ拡張はこの制限に対処する上で重要なソリューションのひとつです。 generative adversarial networks (gans) はますますデータ拡張タスクに依存しています。 生体画像の特徴は合成画像の有効性の評価に敏感である。 これらの特徴は、異なる生体画像モダリティ間で合成画像を評価する際に、メートル法スコアに大きな影響を及ぼす可能性がある。 実画像の多様性と品質を比較することで合成画像を評価することができる。 多スケール構造類似度指標とコサイン距離はクラス内多様性の評価に使用され、フレシェ開始距離は合成画像の品質評価に使用される。 バイオメディカルおよび非バイオメディカルイメージングのためのこれらの指標を評価することは、合成画像の多様性と品質を評価するための情報戦略を検討する上で重要である。 本研究では, バイオメディカルで非バイオメディカルな環境下で, 深部畳み込み型GANに対して, 実験的な測定を行った。 異なるサンプルサイズを用いて合成画像の多様性と品質を評価する。 本研究は,バイオメディカルおよび非バイオメディカルイメージングモダリティにおける多様性と品質のばらつきについて検討することを目的とする。 その結果,バイオメディカルからバイオメディカルへ,バイオメディカルからバイオメディカルへ,非バイオメディカルなイメージングモダリティにおいて,多様性と品質の指標は著しく異なることがわかった。

関連論文リスト

• BiomedParse: a biomedical foundation model for image parsing of everything everywhere all at once [58.41069132627823]
  全体像解析は、セグメンテーション、検出、関連するオブジェクトの認識などのサブタスクを含む。 そこで本研究では,9つの画像モダリティにまたがる82種類のオブジェクトの分割,検出,認識を共同で行うことができる,画像解析のためのバイオメディカル基礎モデルであるBiomedParseを提案する。 共同学習により、個々のタスクの精度を向上し、テキストプロンプトを通じてノイズの多い画像中のすべての関連オブジェクトを分割するといった新しいアプリケーションを可能にする。
  論文  参考訳（メタデータ） (2024-05-21T17:54:06Z)
• QUBIQ: Uncertainty Quantification for Biomedical Image Segmentation Challenge [93.61262892578067]
  医用画像分割作業の不確実性、特にラター間変動性は重要な課題である。 この可変性は、自動セグメンテーションアルゴリズムの開発と評価に直接影響を及ぼす。 バイオメディカル画像量化チャレンジ(QUBIQ)における不確実性の定量化のベンチマーク結果を報告する。
  論文  参考訳（メタデータ） (2024-03-19T17:57:24Z)
• A Self-attention Guided Multi-scale Gradient GAN for Diversified X-ray Image Synthesis [0.6308539010172307]
  GAN(Generative Adversarial Networks)を用いて,合成画像の生成によるデータ制限問題に対処する。 モード崩壊、非収束、不安定といったトレーニング課題は、多彩で高品質な画像の合成において、GANのパフォーマンスを低下させる。 本研究では,バイオメディカル画像の特徴の長距離依存性の関係をモデル化する,注意誘導型マルチスケール勾配GANアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2022-10-09T13:17:17Z)
• Evaluating the Quality and Diversity of DCGAN-based Generatively Synthesized Diabetic Retinopathy Imagery [0.07499722271664144]
  公的に利用可能な糖尿病網膜症(DR)データセットは不均衡であり、DRを持つ画像の数が限られている。 この不均衡に対処するには、GAN(Geneversarative Adrial Networks)を使用して、データセットを合成画像で拡張する。 合成画像の品質と多様性を評価するために、マルチスケール構造類似度指数(MS-SSIM)、コサイン距離(CD)、Fr't Inception Distance(FID)などの評価指標を用いる。
  論文  参考訳（メタデータ） (2022-08-10T23:50:01Z)
• Texture Characterization of Histopathologic Images Using Ecological Diversity Measures and Discrete Wavelet Transform [82.53597363161228]
  本稿では,病理組織像間でテクスチャを特徴付ける手法を提案する。 2つのHIデータセットに有望な精度で、そのような画像の固有特性を定量化することが可能である。
  論文  参考訳（メタデータ） (2022-02-27T02:19:09Z)
• Computer-Assisted Analysis of Biomedical Images [1.0116577992023341]
  本論文は, バイオメディカル画像解析のための新しい, 先進的なコンピュータ支援手法を提案することを目的とする。 これらの研究の最終的な目標は、臨床および生物学的に有用な知見を得て、鑑別診断と治療を導くことである。
  論文  参考訳（メタデータ） (2021-06-04T21:59:48Z)
• Diffusion-Weighted Magnetic Resonance Brain Images Generation with Generative Adversarial Networks and Variational Autoencoders: A Comparison Study [55.78588835407174]
  本研究では,高画質,多彩で現実的な拡散重み付き磁気共鳴画像が深部生成モデルを用いて合成可能であることを示す。 Introspective Variational AutoencoderとStyle-Based GANの2つのネットワークを医療分野におけるデータ拡張の資格として提示する。
  論文  参考訳（メタデータ） (2020-06-24T18:00:01Z)
• DAN: A Deformation-Aware Network for Consecutive Biomedical Image Interpolation [10.856845408856588]
  本稿では,生体組織の連続性に応じて各画素を合成する変形認識ネットワークを提案する。 本稿では,ぼやけやノイズといった連続的な生体画像のスタイル差を考慮に入れ,適応的なスタイルバランスの損失を考慮に入れた。 変形認識モジュールを用いて,グローバル領域から各画素を適応的に合成し,さらに画素合成性能を向上させる。
  論文  参考訳（メタデータ） (2020-04-23T11:14:44Z)
• 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)
• Automatic image-based identification and biomass estimation of invertebrates [70.08255822611812]
  時間を要する分類と分類は、どれだけの昆虫を処理できるかに強い制限を課す。 我々は、人間の専門家による分類と識別の標準的な手動アプローチを、自動画像ベース技術に置き換えることを提案する。 分類タスクには最先端のResnet-50とInceptionV3 CNNを使用する。
  論文  参考訳（メタデータ） (2020-02-05T21:38:57Z)

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。