Fugu-MT 論文翻訳(概要): Generative Active Learning with Variational Autoencoder for Radiology Data Generation in Veterinary Medicine

論文の概要: Generative Active Learning with Variational Autoencoder for Radiology Data Generation in Veterinary Medicine

arxiv url: http://arxiv.org/abs/2403.03642v1
Date: Wed, 6 Mar 2024 12:02:07 GMT
ステータス: 処理完了
システム内更新日: 2024-03-07 15:15:54.199563
Title: Generative Active Learning with Variational Autoencoder for Radiology Data Generation in Veterinary Medicine
Title（参考訳）: 動物医学におけるx線データ生成のための変分オートエンコーダによる生成能動学習
Authors: In-Gyu Lee, Jun-Young Oh, Hee-Jung Yu, Jae-Hwan Kim, Ki-Dong Eom, Ji-Hoon Jeong
Abstract要約: 本稿では,変分オートエンコーダに基づく生成能動学習フレームワークを提案する。本手法は,獣医学におけるCADシステムにおける信頼性データの不足を軽減することを目的としている。
参考スコア（独自算出の注目度）: 6.3580199419504035
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Recently, with increasing interest in pet healthcare, the demand for computer-aided diagnosis (CAD) systems in veterinary medicine has increased. The development of veterinary CAD has stagnated due to a lack of sufficient radiology data. To overcome the challenge, we propose a generative active learning framework based on a variational autoencoder. This approach aims to alleviate the scarcity of reliable data for CAD systems in veterinary medicine. This study utilizes datasets comprising cardiomegaly radiograph data. After removing annotations and standardizing images, we employed a framework for data augmentation, which consists of a data generation phase and a query phase for filtering the generated data. The experimental results revealed that as the data generated through this framework was added to the training data of the generative model, the frechet inception distance consistently decreased from 84.14 to 50.75 on the radiograph. Subsequently, when the generated data were incorporated into the training of the classification model, the false positive of the confusion matrix also improved from 0.16 to 0.66 on the radiograph. The proposed framework has the potential to address the challenges of data scarcity in medical CAD, contributing to its advancement.
Abstract（参考訳）: 近年,ペット医療への関心が高まり,獣医学におけるコンピュータ支援診断システム(CAD)の需要が高まっている。十分な放射線学データがないため, 獣医用CADの開発は停滞している。この課題を克服するために,変分オートエンコーダに基づく生成型アクティブラーニングフレームワークを提案する。本研究の目的は,獣医学におけるCADシステムの信頼性データの不足を軽減することである。本研究は,cardiomegaly radiographデータを含むデータセットを利用する。アノテーションを削除し、画像の標準化を行った後、データ生成フェーズと、生成されたデータをフィルタリングするクエリフェーズで構成されるデータ拡張のためのフレームワークを使用した。実験結果から, 生成モデルのトレーニングデータにこのフレームワークによって生成されたデータを加えると, フレシェ開始距離は連続的に84.14から50.75に減少することがわかった。その後、生成されたデータを分類モデルのトレーニングに組み込むと、混乱行列の偽陽性もラジオグラフ上の0.16から0.66に向上した。提案フレームワークは,医療CADにおけるデータ不足の課題に対処する可能性があり,その進展に寄与する。

関連論文リスト

AutoPET Challenge: Tumour Synthesis for Data Augmentation [26.236831356731017]
我々は,CT画像のためのDiffTumor法を適用し,病変のあるPET-CT画像を生成する。提案手法では,AutoPETデータセット上で生成モデルをトレーニングし,トレーニングデータの拡張に使用する。以上の結果から,拡張データセットでトレーニングしたモデルでは,Diceスコアが向上し,データ拡張アプローチの可能性が示された。
論文参考訳（メタデータ） (2024-09-12T14:23:19Z)
AutoRG-Brain: Grounded Report Generation for Brain MRI [57.22149878985624]
放射線学者は、大量の画像を日々のベースで解釈し、対応するレポートを生成する責任を負う。この要求される作業負荷は、人間のエラーのリスクを高め、治療の遅れ、医療費の増加、収益損失、運用上の不効率につながる可能性がある。地盤自動報告生成(AutoRG)に関する一連の研究を開始した。このシステムは、脳の構造の明細化、異常の局所化、そしてよく組織化された発見の生成をサポートする。
論文参考訳（メタデータ） (2024-07-23T17:50:00Z)
Shape Matters: Detecting Vertebral Fractures Using Differentiable Point-Based Shape Decoding [51.38395069380457]
変性性脊椎疾患は高齢者に多い。骨粗しょう性骨折やその他の変性変形性骨折のタイムリーな診断は、重度の腰痛や障害のリスクを軽減するための前向きな処置を促進する。本研究では,脊椎動物に対する形状自動エンコーダの使用について検討する。
論文参考訳（メタデータ） (2023-12-08T18:11:22Z)
AI Framework for Early Diagnosis of Coronary Artery Disease: An Integration of Borderline SMOTE, Autoencoders and Convolutional Neural Networks Approach [0.44998333629984877]
我々は,データのバランスが不均衡でサンプルサイズが小さい場合に,より正確な予測を行うために,データのバランスと拡張のための方法論を開発する。実験の結果,提案手法の平均精度は95.36であり,ランダムフォレスト(RF),決定木(DT),サポートベクターマシン(SVM),ロジスティック回帰(LR),人工ニューラルネットワーク(ANN)よりも高かった。
論文参考訳（メタデータ） (2023-08-29T14:33:38Z)
Dynamic Graph Enhanced Contrastive Learning for Chest X-ray Report Generation [92.73584302508907]
コントラスト学習を用いた医療レポート作成を支援するために,動的構造とノードを持つ知識グラフを提案する。詳しくは、グラフの基本構造は一般知識から事前構築される。各イメージ機能は、レポート生成のためにデコーダモジュールに入力する前に、独自の更新グラフに統合される。
論文参考訳（メタデータ） (2023-03-18T03:53:43Z)
Generative Adversarial Network Based Synthetic Learning and a Novel Domain Relevant Loss Term for Spine Radiographs [0.0]
文献レビューから, 有意な入力を伴わない合成脊椎X線画像のGAN生成を初めて達成した。ジェネレータの新規臨床損失項の導入は、生成リコールの増加とモデルトレーニングの加速に寄与した。
論文参考訳（メタデータ） (2022-05-05T03:58:19Z)
Generative Residual Attention Network for Disease Detection [51.60842580044539]
本稿では, 条件付き生成逆学習を用いたX線疾患発生のための新しいアプローチを提案する。我々は,患者の身元を保存しながら,対象領域に対応する放射線画像を生成する。次に、ターゲット領域で生成されたX線画像を用いてトレーニングを増強し、検出性能を向上させる。
論文参考訳（メタデータ） (2021-10-25T14:15:57Z)
The pitfalls of using open data to develop deep learning solutions for COVID-19 detection in chest X-rays [64.02097860085202]
深層学習モデルは、胸部X線から新型コロナウイルスを識別するために開発された。オープンソースデータのトレーニングやテストでは,結果は異例です。データ分析とモデル評価は、人気のあるオープンソースデータセットであるCOVIDxが実際の臨床問題を代表していないことを示している。
論文参考訳（メタデータ） (2021-09-14T10:59:11Z)
Learning from Subjective Ratings Using Auto-Decoded Deep Latent Embeddings [23.777855250882244]
ラベルにおける主観性管理は医用画像解析における根本的な問題である。自動復号型ディープ潜在埋め込み(addle)を導入する ADDLEは自動デコーダフレームワークを使用して各レーダの傾向を明示的にモデル化する。
論文参考訳（メタデータ） (2021-04-12T15:40:42Z)
Evaluation of Deep Convolutional Generative Adversarial Networks for data augmentation of chest X-ray images [0.0]
医用画像データセットは通常、データを取得し、アノテーションを消費するコストが高いため、不均衡である。本研究では,Chest X-raysデータセット上で生成モデルを用いてデータ拡張を行った。
論文参考訳（メタデータ） (2020-09-02T16:43:55Z)
Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype Prediction [55.94378672172967]
本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
論文参考訳（メタデータ） (2020-09-02T02:50:30Z)

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。