論文の概要: Bayesian Random Semantic Data Augmentation for Medical Image
Classification
- arxiv url: http://arxiv.org/abs/2403.06138v1
- Date: Sun, 10 Mar 2024 08:56:02 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-13 07:27:08.759503
- Title: Bayesian Random Semantic Data Augmentation for Medical Image
Classification
- Title(参考訳): 医用画像分類のためのベイズランダム意味データ拡張
- Authors: Yaoyao Zhu and Xiuding Cai and Xueyao Wang and Yu Yao
- Abstract要約: 本稿では,新しい,効率的な,プラグアンドプレイ型セマンティックデータ拡張手法を提案する。
BRSDAは、特定の方向に沿った特徴空間における単純な翻訳によって動機付けられている。
9つのモードをカバーする5つの2次元および6つの医用画像データセットに対するBRSDAの有効性を実証した。
- 参考スコア(独自算出の注目度): 13.204691574611028
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Data augmentation is a critical regularization technique for deep neural
networks, particularly in medical image classification. Popular data
augmentation approaches include image transformation-based methods, generative
data augmentation, and automatic data augmentation. However, these approaches
encounter notable limitations: image transformation-based and automated data
augmentation techniques cannot implement semantic transformations, leading to a
constrained variety of augmented samples, and generative data augmentation
methods are computationally expensive. In response to these challenges, we
proposed Bayesian Random Semantic Data Augmentation (BRSDA), a novel,
efficient, and plug-and-play semantic data augmentation method. BRSDA is
motivated by a simple translation in the feature space along specific
directions that can effectuate semantic transformations. When given a feature,
we define its augmentable semantic magnitude as a random variable and estimate
its distribution using variational Bayesian, then sample semantic magnitude and
add to the randomly selected semantic direction to achieve semantic data
augmentation. We demonstrate the effectiveness of BRSDA on five 2D and six 3D
medical image datasets covering nine modalities. We also test BRSDA with
mainstream neural network architectures, showcasing its robustness.
Furthermore, combining BRSDA with other leading data augmentation methods
achieves superior performance. Code is available online at
\url{https://github.com/YaoyaoZhu19/BRSDA}.
- Abstract(参考訳): データ拡張は深層ニューラルネットワーク、特に医用画像分類において重要な正規化手法である。
一般的なデータ拡張アプローチには、画像変換ベースの方法、生成データ拡張、自動データ拡張などがある。
画像変換に基づく自動データ拡張技術はセマンティックトランスフォーメーションを実装できないため、制約のある様々な拡張サンプルが得られ、生成データ拡張手法は計算コストがかかる。
これらの課題に対応するために,我々は,新規かつ効率的かつプラグ・アンド・プレイ意味データ拡張手法であるベイズランダム意味データ拡張 (brsda) を提案する。
BRSDAは、特定の方向に沿った特徴空間の単純な翻訳によって動機付けられ、意味的変換に影響を及ぼす。
特徴が与えられると、その拡張可能な意味の規模をランダム変数として定義し、変分ベイジアンを用いて分布を推定し、次にサンプル意味の規模を標本化し、ランダムに選択された意味の方向を加えて意味データの増大を達成する。
2次元および6次元の医用画像データセットにおけるbrsdaの有効性を実証した。
また、BRSDAを主流のニューラルネットワークアーキテクチャでテストし、その堅牢性を示しています。
さらに,BRSDAと他の先行データ拡張手法を組み合わせることにより,性能が向上する。
コードは \url{https://github.com/yaoyaozhu19/brsda} で入手できる。
関連論文リスト
- Effective Data Augmentation With Diffusion Models [65.09758931804478]
我々は、事前訓練されたテキスト・画像拡散モデルによりパラメータ化された画像・画像変換によるデータ拡張の多様性の欠如に対処する。
本手法は,市販の拡散モデルを用いて画像のセマンティクスを編集し,いくつかのラベル付き例から新しい視覚概念に一般化する。
本手法は,実世界の雑草認識タスクと数ショット画像分類タスクにおいて評価し,テスト領域における精度の向上を観察する。
論文 参考訳(メタデータ) (2023-02-07T20:42:28Z) - Local Magnification for Data and Feature Augmentation [53.04028225837681]
LOMA(Local Magnification)と呼ばれる,実装が容易かつモデルフリーなデータ拡張手法を提案する。
LOMAは、画像の局所領域をランダムに拡大することにより、追加のトレーニングデータを生成する。
実験の結果,提案するLOMAと標準データ拡張を組み合わせることで,画像分類や物体検出の性能を大幅に向上させることができることがわかった。
論文 参考訳(メタデータ) (2022-11-15T02:51:59Z) - Invariance Learning in Deep Neural Networks with Differentiable Laplace
Approximations [76.82124752950148]
我々はデータ拡張を選択するための便利な勾配法を開発した。
我々はKronecker-factored Laplace近似を我々の目的とする限界確率に近似する。
論文 参考訳(メタデータ) (2022-02-22T02:51:11Z) - Feature transforms for image data augmentation [74.12025519234153]
画像分類において、多くの拡張アプローチは単純な画像操作アルゴリズムを利用する。
本研究では,14種類の拡張アプローチを組み合わせて生成した画像を追加することで,データレベルでのアンサンブルを構築する。
事前トレーニングされたResNet50ネットワークは、各拡張メソッドから派生した画像を含むトレーニングセットに基づいて微調整される。
論文 参考訳(メタデータ) (2022-01-24T14:12:29Z) - CADDA: Class-wise Automatic Differentiable Data Augmentation for EEG
Signals [92.60744099084157]
本研究では、勾配に基づく学習に適した微分可能データ拡張を提案する。
本研究は,臨床関連睡眠ステージ分類課題におけるアプローチの意義を示す。
論文 参考訳(メタデータ) (2021-06-25T15:28:48Z) - Automatic Data Augmentation for 3D Medical Image Segmentation [37.262350163905445]
医用画像分割作業において、識別可能な自動データ拡張が採用されたのは、これが初めてである。
我々の数値実験により,提案手法は,最先端モデルの既存のビルトインデータ拡張を著しく上回っていることが示された。
論文 参考訳(メタデータ) (2020-10-07T12:51:17Z) - Adversarial Semantic Data Augmentation for Human Pose Estimation [96.75411357541438]
本研究では,セマンティックデータ拡張法 (SDA) を提案する。
また,適応的セマンティックデータ拡張 (ASDA) を提案する。
最先端の結果は、挑戦的なベンチマークで得られます。
論文 参考訳(メタデータ) (2020-08-03T07:56:04Z) - Regularizing Deep Networks with Semantic Data Augmentation [44.53483945155832]
従来の手法を補完する新しい意味データ拡張アルゴリズムを提案する。
提案手法はディープネットワークが線形化特徴の学習に有効であるという興味深い性質に着想を得たものである。
提案した暗黙的セマンティックデータ拡張(ISDA)アルゴリズムは,新たなロバストCE損失を最小限に抑える。
論文 参考訳(メタデータ) (2020-07-21T00:32:44Z)
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。