論文の概要: Synthetic data generation method for hybrid image-tabular data using two
generative adversarial networks
- arxiv url: http://arxiv.org/abs/2308.07573v1
- Date: Tue, 15 Aug 2023 05:04:04 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-16 14:00:52.762597
- Title: Synthetic data generation method for hybrid image-tabular data using two
generative adversarial networks
- Title（参考訳）: 2つの生成逆数ネットワークを用いたハイブリッド画像タブラルデータの合成データ生成法
- Authors: Tomohiro Kikuchi, Shouhei Hanaoka, Takahiro Nakao, Tomomi Takenaga,
Yukihiro Nomura, Harushi Mori, Takeharu Yoshikawa
- Abstract要約: 本稿では,GANを用いた合成ハイブリッド医療記録の生成手法を提案する。
我々のアプローチは、胸部X線画像(CXR)の次元を減少させるために、大規模な公開データベース(pDB)上でαGANモデルをトレーニングすることである。
- 参考スコア（独自算出の注目度）: 0.1884913108327873
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: The generation of synthetic medical records using generative adversarial
networks (GANs) has become increasingly important for addressing privacy
concerns and promoting data sharing in the medical field. In this paper, we
propose a novel method for generating synthetic hybrid medical records
consisting of chest X-ray images (CXRs) and structured tabular data (including
anthropometric data and laboratory tests) using an auto-encoding GAN
({\alpha}GAN) and a conditional tabular GAN (CTGAN). Our approach involves
training a {\alpha}GAN model on a large public database (pDB) to reduce the
dimensionality of CXRs. We then applied the trained encoder of the GAN model to
the images in original database (oDB) to obtain the latent vectors. These
latent vectors were combined with tabular data in oDB, and these joint data
were used to train the CTGAN model. We successfully generated diverse synthetic
records of hybrid CXR and tabular data, maintaining correspondence between
them. We evaluated this synthetic database (sDB) through visual assessment,
distribution of interrecord distances, and classification tasks. Our evaluation
results showed that the sDB captured the features of the oDB while maintaining
the correspondence between the images and tabular data. Although our approach
relies on the availability of a large-scale pDB containing a substantial number
of images with the same modality and imaging region as those in the oDB, this
method has the potential for the public release of synthetic datasets without
compromising the secondary use of data.
- Abstract（参考訳）: generative adversarial network (gans) を用いた合成医療記録の生成は、医療分野におけるプライバシー問題への対処やデータ共有の促進のためにますます重要になっている。
本稿では,胸部X線画像(CXR)と構造化表状データ(人為的データおよび実験室試験を含む)からなる合成ハイブリッド医療記録を,自動符号化GAN({\alpha}GAN)と条件付き表状GAN(CTGAN)を用いて生成する手法を提案する。
我々のアプローチは、CXRの次元性を低減するために、大規模な公開データベース(pDB)上で {\alpha}GANモデルをトレーニングすることである。
次に、トレーニングされたGANモデルのエンコーダを元のデータベース(oDB)の画像に適用し、潜在ベクトルを得る。
これらの潜伏ベクトルとoDBの表型データを組み合わせて,CTGANモデルのトレーニングに使用した。
我々は,ハイブリッドCXRと表型データの多種多様な合成記録を作成した。
この合成データベース(sdb)を視覚的評価,記録間距離の分布,分類タスクを通じて評価した。
評価の結果,sdbは画像と表データとの対応を維持しつつ,odbの特徴を捉えることができた。
本手法は,odbと同じモダリティと撮像領域を持つ相当数の画像を含む大規模pdbの可用性に依存しているが,二次的なデータ利用を損なうことなく,合成データセットを一般公開する可能性を秘めている。
関連論文リスト
- Local Lesion Generation is Effective for Capsule Endoscopy Image Data Augmentation in a Limited Data Setting [0.0]
そこで我々は, 局所病変生成手法を2つ提案し, 小型医用画像データセットの増大に対処する。
最初のアプローチでは、古典的な画像処理技術であるPoisson Image Editingアルゴリズムを使用して、リアルな画像合成を生成する。
第2のアプローチでは、微調整されたイメージインペインティングGANを利用して、現実的な病変を合成する新しい生成手法を導入している。
論文 参考訳（メタデータ） (2024-11-05T13:44:25Z) - A Data Augmentation Pipeline to Generate Synthetic Labeled Datasets of
3D Echocardiography Images using a GAN [6.0419497882916655]
本研究では,3次元心エコー画像とそれに対応する基底真理ラベルを合成する画像生成パイプラインを提案する。
提案手法は, 心臓の詳細な解剖学的区分を基底真理ラベル源として利用する。
論文 参考訳（メタデータ） (2024-03-08T15:26:27Z) - Gadolinium dose reduction for brain MRI using conditional deep learning [66.99830668082234]
これらの手法の主な課題は、コントラスト強調の正確な予測と現実的な画像の合成である。
コントラスト前の画像対とコントラスト後の画像対のサブトラクション画像に符号化されたコントラスト信号を利用することで、両課題に対処する。
各種スキャナー,フィールド強度,コントラストエージェントを用いた合成および実データに対するアプローチの有効性を示す。
論文 参考訳（メタデータ） (2024-03-06T08:35:29Z) - Pathology Synthesis of 3D-Consistent Cardiac MR Images using 2D VAEs and
GANs [0.5039813366558306]
本稿では,教師付きディープラーニング(DL)トレーニングの適用のためのラベル付きデータを生成する手法を提案する。
画像合成はラベル変形とラベルから画像への変換からなる。
心臓MRI画像のデータベースを多様化・拡張する手法として,このようなアプローチが有効であることを示す。
論文 参考訳（メタデータ） (2022-09-09T10:17:49Z) - CS$^2$: A Controllable and Simultaneous Synthesizer of Images and
Annotations with Minimal Human Intervention [3.465671939864428]
実写画像と対応するアノテーションを同時に生成する新しい制御可能同時合成器(CS$2$)を提案する。
提案するコントリビューションには,1)参照CT画像からスタイル情報と教師なしセグメンテーションマスクから構造情報の両方を受信する条件付き画像合成ネットワーク,2)これらの合成画像を自動的にセグメンテーションする対応するセグメンテーションマスクネットワークがある。
論文 参考訳（メタデータ） (2022-06-20T15:09:10Z) - OADAT: Experimental and Synthetic Clinical Optoacoustic Data for
Standardized Image Processing [62.993663757843464]
オプトアコースティック(OA)イメージングは、ナノ秒レーザーパルスによる生体組織の励起と、光吸収による熱弾性膨張によって発生する超音波の検出に基づいている。
OAイメージングは、深部組織における豊富な光学コントラストと高分解能の強力な組み合わせを特徴としている。
臨床環境でのOAの幅広い応用を促進するために、異なるタイプの実験的なセットアップと関連する処理手法で生成される標準化データセットは存在しない。
論文 参考訳（メタデータ） (2022-06-17T08:11:26Z) - 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) - CyTran: A Cycle-Consistent Transformer with Multi-Level Consistency for
Non-Contrast to Contrast CT Translation [56.622832383316215]
コントラストCTを非コントラストCTに変換する手法を提案する。
提案手法は、CyTranを略して、サイクル一貫性のある生成逆転変換器に基づいている。
実験の結果、CyTranは競合するすべての手法より優れています。
論文 参考訳（メタデータ） (2021-10-12T23:25:03Z) - Improved Slice-wise Tumour Detection in Brain MRIs by Computing
Dissimilarities between Latent Representations [68.8204255655161]
磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。
本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。
本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
論文 参考訳（メタデータ） (2020-07-24T14:02:09Z) - 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)
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。