論文の概要: Analyzing Data Augmentation for Medical Images: A Case Study in Ultrasound Images

• arxiv url: http://arxiv.org/abs/2403.09828v1
• Date: Thu, 14 Mar 2024 19:33:57 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-18 21:15:39.827728
• Title: Analyzing Data Augmentation for Medical Images: A Case Study in Ultrasound Images
• Title（参考訳）: 医用画像におけるデータ拡張の分析 : 超音波画像のケーススタディ
• Authors: Adam Tupper, Christian Gagné,
• Abstract要約: 超音波画像における乳腺病変の分類における異なる拡張法の有効性について検討した。 特定の拡張が他のものよりもはるかに効果的であることを示し、それらの使用が大幅なパフォーマンス向上につながっていることを示す。
• 参考スコア（独自算出の注目度）: 7.5088011137653625
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Data augmentation is one of the most effective techniques to improve the generalization performance of deep neural networks. Yet, despite often facing limited data availability in medical image analysis, it is frequently underutilized. This appears to be due to a gap in our collective understanding of the efficacy of different augmentation techniques across medical imaging tasks and modalities. One domain where this is especially true is breast ultrasound images. This work addresses this issue by analyzing the effectiveness of different augmentation techniques for the classification of breast lesions in ultrasound images. We assess the generalizability of our findings across several datasets, demonstrate that certain augmentations are far more effective than others, and show that their usage leads to significant performance gains.
• Abstract（参考訳）: データ拡張は、ディープニューラルネットワークの一般化性能を改善する最も効果的な手法の1つである。 しかし、医用画像解析において、限られたデータ利用率に直面している場合が多いが、しばしば未利用である。 これは、医用画像のタスクやモダリティにまたがる様々な拡張技術の有効性の集団的理解の欠如によるものと思われる。 これが特に当てはまる領域の1つは、乳房超音波画像である。 本研究は,超音波画像における乳腺病変の分類における異なる拡張法の有効性を解析することにより,この問題に対処する。 いくつかのデータセットにまたがって解析結果の一般化性を評価し、ある拡張が他のものよりもはるかに効果的であることを示し、それらの利用が大きなパフォーマンス向上をもたらすことを示す。

関連論文リスト

• Deepfake Image Generation for Improved Brain Tumor Segmentation [0.0]
  本研究は,脳腫瘍セグメンテーションにおけるディープフェイク画像生成の可能性について検討した。 Generative Adversarial Networkは、ディープフェイク画像で訓練されたU-Netベースの畳み込みニューラルネットワークを用いて、画像から画像への変換と画像のセグメンテーションに使用された。 その結果,画像セグメンテーションの品質指標の面ではパフォーマンスが向上し,限られたデータでトレーニングする際の支援が可能となった。
  論文  参考訳（メタデータ） (2023-07-26T16:11:51Z)
• Exploring Image Augmentations for Siamese Representation Learning with Chest X-Rays [0.8808021343665321]
  胸部X線異常検出のためのシームズネットワークの訓練と評価を行った。 我々は、アウト・オブ・ディストリビューションデータと病気の両方によく一般化する堅牢な表現をもたらす拡張の集合を同定する。
  論文  参考訳（メタデータ） (2023-01-30T03:42:02Z)
• A Critical Appraisal of Data Augmentation Methods for Imaging-Based Medical Diagnosis Applications [1.5971609833629297]
  最適なデータ拡張は、医学的イメージを歪ませたり妨害したりすることができ、患者の診断、予測、治療・外科的評価において偽陽性または否定を引き起こす。 医用画像におけるプラグ・アンド・プレイ方式では, 一般的なデータ拡張法は使用できないこと, 手動のチューニングや調整が必要であることが観察された。
  論文  参考訳（メタデータ） (2022-12-14T14:26:39Z)
• Robust and Efficient Medical Imaging with Self-Supervision [80.62711706785834]
  医用画像AIの堅牢性とデータ効率を向上させるための統一表現学習戦略であるREMEDISを提案する。 様々な医療画像タスクを研究し, 振り返りデータを用いて3つの現実的な応用シナリオをシミュレートする。
  論文  参考訳（メタデータ） (2022-05-19T17:34:18Z)
• 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)
• Enhanced Transfer Learning Through Medical Imaging and Patient Demographic Data Fusion [0.0]
  画像特徴と関連する非画像データとを組み合わせた医療画像データの分類における性能向上について検討した。 特徴抽出器として直接使用し,対象領域に微調整を施したImageNetで事前訓練したネットワークを用いた転送学習を利用する。
  論文  参考訳（メタデータ） (2021-11-29T09:11:52Z)
• Voice-assisted Image Labelling for Endoscopic Ultrasound Classification using Neural Networks [48.732863591145964]
  本稿では,臨床医が提示した生音声からのEUS画像にラベルを付けるマルチモーダル畳み込みニューラルネットワークアーキテクチャを提案する。 その結果,5つのラベルを持つデータセットにおいて,画像レベルでの予測精度は76%であった。
  論文  参考訳（メタデータ） (2021-10-12T21:22:24Z)
• On the Robustness of Pretraining and Self-Supervision for a Deep Learning-based Analysis of Diabetic Retinopathy [70.71457102672545]
  糖尿病網膜症における訓練方法の違いによる影響を比較検討した。 本稿では,定量的性能,学習した特徴表現の統計,解釈可能性,画像歪みに対する頑健性など,さまざまな側面について検討する。 以上の結果から,ImageNet事前学習モデルでは,画像歪みに対する性能,一般化,堅牢性が著しく向上していることが示唆された。
  論文  参考訳（メタデータ） (2021-06-25T08:32:45Z)
• Evaluation of Complexity Measures for Deep Learning Generalization in Medical Image Analysis [77.34726150561087]
  PAC-ベイズ平坦度とパスノルムに基づく測度は、モデルとデータの組み合わせについて最も一貫した説明をもたらす。 また,乳房画像に対するマルチタスク分類とセグメンテーションのアプローチについても検討した。
  論文  参考訳（メタデータ） (2021-03-04T20:58:22Z)
• Ultrasound Image Classification using ACGAN with Small Training Dataset [0.0]
  ディープラーニングモデルのトレーニングには大きなラベル付きデータセットが必要であるが、超音波画像では利用できないことが多い。 我々は、大規模データ拡張と転送学習の利点を組み合わせた、ジェネレーティブ・アドバイサル・ネットワーク(ACGAN)を利用する。 乳房超音波画像のデータセットを用いて,提案手法の有効性を示す実験を行った。
  論文  参考訳（メタデータ） (2021-01-31T11:11:24Z)
• 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。