論文の概要: SynthVision -- Harnessing Minimal Input for Maximal Output in Computer
Vision Models using Synthetic Image data
- arxiv url: http://arxiv.org/abs/2402.02826v1
- Date: Mon, 5 Feb 2024 09:18:49 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-06 17:11:05.582666
- Title: SynthVision -- Harnessing Minimal Input for Maximal Output in Computer
Vision Models using Synthetic Image data
- Title(参考訳): SynthVision -- 合成画像データを用いたコンピュータビジョンモデルにおける最小出力のハーネス化
- Authors: Yudara Kularathne, Prathapa Janitha, Sithira Ambepitiya, Thanveer
Ahamed, Dinuka Wijesundara, Prarththanan Sothyrajah
- Abstract要約: 我々は,人工データのみを用いてヒトパピローマウイルス性器部を検出できる包括的コンピュータビジョンモデルを構築した。
F1スコアはHPVが96%、正常が97%であった。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Rapid development of disease detection computer vision models is vital in
response to urgent medical crises like epidemics or events of bioterrorism.
However, traditional data gathering methods are too slow for these scenarios
necessitating innovative approaches to generate reliable models quickly from
minimal data. We demonstrate our new approach by building a comprehensive
computer vision model for detecting Human Papilloma Virus Genital warts using
only synthetic data. In our study, we employed a two phase experimental design
using diffusion models. In the first phase diffusion models were utilized to
generate a large number of diverse synthetic images from 10 HPV guide images
explicitly focusing on accurately depicting genital warts. The second phase
involved the training and testing vision model using this synthetic dataset.
This method aimed to assess the effectiveness of diffusion models in rapidly
generating high quality training data and the subsequent impact on the vision
model performance in medical image recognition. The study findings revealed
significant insights into the performance of the vision model trained on
synthetic images generated through diffusion models. The vision model showed
exceptional performance in accurately identifying cases of genital warts. It
achieved an accuracy rate of 96% underscoring its effectiveness in medical
image classification. For HPV cases the model demonstrated a high precision of
99% and a recall of 94%. In normal cases the precision was 95% with an
impressive recall of 99%. These metrics indicate the model capability to
correctly identify true positive cases and minimize false positives. The model
achieved an F1 Score of 96% for HPV cases and 97% for normal cases. The high F1
Score across both categories highlights the balanced nature of the model
precision and recall ensuring reliability and robustness in its predictions.
- Abstract(参考訳): 疾患検出コンピュータビジョンモデルの迅速な開発は、伝染病やバイオテロの出来事といった急激な医療危機への対応に不可欠である。
しかし、従来のデータ収集手法は遅すぎるため、最小限のデータから素早く信頼できるモデルを生成するための革新的なアプローチが必要となる。
我々は,人工データのみを用いたヒトパピローマウイルス性器用ワート検出のための包括的コンピュータビジョンモデルを構築した。
本研究では拡散モデルを用いた二相実験を行った。
第1相拡散モデルを用いて10個のhpvガイド画像から多数の多種多様な合成画像を生成する。
第2フェーズでは、この合成データセットを使用した視覚モデルのトレーニングとテストが行われた。
医用画像認識における高画質トレーニングデータの生成における拡散モデルの有効性とその後の視覚モデルの性能への影響を評価することを目的とした。
その結果,拡散モデルで生成した合成画像を用いて訓練した視覚モデルの性能に有意な知見が得られた。
視覚モデルは性器障害の症例を正確に同定する上で非常に優れた性能を示した。
医用画像分類における有効性を裏付ける精度は96%に達した。
hpvの場合、モデルの精度は99%、リコールは94%であった。
正常例では95%の精度で,99%の再現率を示した。
これらの指標は、モデルが真正のケースを正しく識別し、偽陽性を最小化する能力を示している。
このモデルは、hpv症例では96%、正常症例では97%のf1スコアを達成した。
両方のカテゴリにわたる高いF1スコアは、モデルの精度のバランスの取れた性質を強調し、その予測における信頼性と堅牢性を保証する。
関連論文リスト
- Adapting Visual-Language Models for Generalizable Anomaly Detection in Medical Images [68.42215385041114]
本稿では,CLIPモデルを用いた医用異常検出のための軽量な多レベル適応と比較フレームワークを提案する。
提案手法では,複数の残像アダプタを事前学習した視覚エンコーダに統合し,視覚的特徴の段階的向上を実現する。
医学的異常検出ベンチマーク実験により,本手法が現在の最先端モデルを大幅に上回っていることが示された。
論文 参考訳(メタデータ) (2024-03-19T09:28:19Z) - Incorporating Improved Sinusoidal Threshold-based Semi-supervised Method
and Diffusion Models for Osteoporosis Diagnosis [0.43512163406552007]
骨粗しょう症は、患者の生活の質に深刻な影響を及ぼす一般的な骨格疾患である。
従来の骨粗しょう症診断法は高価で複雑である。
本論文は, 有用性, 正確性, 低コストの利点を有する患者の画像データに基づいて, 骨粗しょう症を自動的に診断することができる。
論文 参考訳(メタデータ) (2024-03-11T08:11:46Z) - Symptom-based Machine Learning Models for the Early Detection of
COVID-19: A Narrative Review [0.0]
機械学習モデルは、患者の報告した症状、臨床データ、医療画像などを取り入れて、大規模なデータセットを分析することができる。
本稿では、その性能と限界を含む、COVID-19を予測するための症状のみの機械学習モデルの概要について概説する。
また、画像ベースモデルと比較して、症状ベースのモデルの性能についても検討する。
論文 参考訳(メタデータ) (2023-12-08T01:41:42Z) - Towards a Transportable Causal Network Model Based on Observational
Healthcare Data [1.333879175460266]
本稿では,選択図,不足グラフ,因果発見,事前知識を1つのグラフィカルモデルに組み合わせた新しい手法を提案する。
このモデルは、患者の2つの異なるコホートからなるデータから学習する。
結果として得られた因果ネットワークモデルは、リスク評価、正確性、説明可能性の観点から専門家臨床医によって検証される。
論文 参考訳(メタデータ) (2023-11-13T13:23:31Z) - Reconstruction of Patient-Specific Confounders in AI-based Radiologic
Image Interpretation using Generative Pretraining [12.656718786788758]
本稿では,DiffChestと呼ばれる自己条件拡散モデルを提案し,胸部X線画像のデータセット上で訓練する。
DiffChest氏は、患者固有のレベルでの分類を説明し、モデルを誤解させる可能性のある要因を視覚化する。
本研究は,医用画像分類における拡散モデルに基づく事前訓練の可能性を明らかにするものである。
論文 参考訳(メタデータ) (2023-09-29T10:38:08Z) - Clinical Deterioration Prediction in Brazilian Hospitals Based on
Artificial Neural Networks and Tree Decision Models [56.93322937189087]
超強化ニューラルネットワーク(XBNet)は臨床劣化(CD)を予測するために用いられる
XGBoostモデルはブラジルの病院のデータからCDを予測する最良の結果を得た。
論文 参考訳(メタデータ) (2022-12-17T23:29:14Z) - Dense Feature Memory Augmented Transformers for COVID-19 Vaccination
Search Classification [60.49594822215981]
本稿では,新型コロナウイルスワクチン関連検索クエリの分類モデルを提案する。
本稿では,モデルが対応可能なメモリトークンとして,高密度特徴を考慮した新しい手法を提案する。
この新しいモデリング手法により,Vaccine Search Insights (VSI) タスクを大幅に改善できることを示す。
論文 参考訳(メタデータ) (2022-12-16T13:57:41Z) - Performance or Trust? Why Not Both. Deep AUC Maximization with
Self-Supervised Learning for COVID-19 Chest X-ray Classifications [72.52228843498193]
ディープラーニングモデルのトレーニングでは、パフォーマンスと信頼の間に妥協をしなければなりません。
本研究は、新型コロナウイルス患者のコンピュータ支援スクリーニングのための自己教師型学習と新しい代理損失を統合したものである。
論文 参考訳(メタデータ) (2021-12-14T21:16:52Z) - Performance, Successes and Limitations of Deep Learning Semantic
Segmentation of Multiple Defects in Transmission Electron Micrographs [9.237363938772479]
深層学習Mask Regional Convolutional Neural Network (Mask R-CNN)モデルを用いて, 電子顕微鏡によるFeCrAl合金の欠陥のセマンティックセグメンテーションを行う。
本稿では, 欠陥形状の予測分布, 欠陥サイズ, 欠陥同感度などの量に着目し, キーモデルの性能統計の詳細な分析を行う。
全体として、現在のモデルは、顕微鏡画像中の複数の欠陥タイプを自動解析し、定量化するための、高速で効果的なツールであることがわかった。
論文 参考訳(メタデータ) (2021-10-15T17:57:59Z) - Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for
Thoracic Disease Identification [83.6017225363714]
ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。
胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。
本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
論文 参考訳(メタデータ) (2021-02-26T02:29:30Z) - UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced
Data [81.00385374948125]
我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。
UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。
非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。
UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
論文 参考訳(メタデータ) (2020-10-22T02:28:11Z)
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。