論文の概要: Hyperparameter-Free Medical Image Synthesis for Sharing Data and Improving Site-Specific Segmentation

• arxiv url: http://arxiv.org/abs/2404.06240v1
• Date: Tue, 9 Apr 2024 12:06:21 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-10 14:50:19.020334
• Title: Hyperparameter-Free Medical Image Synthesis for Sharing Data and Improving Site-Specific Segmentation
• Title（参考訳）: データ共有のためのハイパーパラメータフリー医用画像合成とサイト特異的セグメンテーションの改善
• Authors: Alexander Chebykin, Peter A. N. Bosman, Tanja Alderliesten,
• Abstract要約: 医用画像の共有は、実際の画像を共有するための有望な代替手段である。 既存の医用画像合成法は、未確認データに適用した場合、手動で調整する必要がある。 本稿では,HyFree-S3と呼ばれる医療画像の自動合成・共有のためのHyper-Free分散学習手法を提案する。
• 参考スコア（独自算出の注目度）: 44.99833362998488
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Sharing synthetic medical images is a promising alternative to sharing real images that can improve patient privacy and data security. To get good results, existing methods for medical image synthesis must be manually adjusted when they are applied to unseen data. To remove this manual burden, we introduce a Hyperparameter-Free distributed learning method for automatic medical image Synthesis, Sharing, and Segmentation called HyFree-S3. For three diverse segmentation settings (pelvic MRIs, lung X-rays, polyp photos), the use of HyFree-S3 results in improved performance over training only with site-specific data (in the majority of cases). The hyperparameter-free nature of the method should make data synthesis and sharing easier, potentially leading to an increase in the quantity of available data and consequently the quality of the models trained that may ultimately be applied in the clinic. Our code is available at https://github.com/AwesomeLemon/HyFree-S3
• Abstract（参考訳）: 合成医療画像の共有は、患者のプライバシーとデータセキュリティを改善するために、実際の画像を共有するための有望な代替手段だ。 良好な結果を得るためには、既存の医用画像合成法は、見えないデータに適用した場合に手動で調整する必要がある。 この手動負担を取り除くために,HyFree-S3と呼ばれる医療画像の自動合成,共有,セグメンテーションのためのハイパーパラメータフリー分散学習手法を提案する。 3つの多様なセグメンテーション設定(骨盤MRI、肺X線、ポリプ写真)において、HyFree-S3の使用により、サイト固有のデータ(ほとんどの場合)でのみトレーニングよりもパフォーマンスが向上する。 この方法のハイパーパラメータフリーな性質により、データの合成と共有が容易になり、利用可能なデータの量が増加し、結果として最終的にクリニックに適用される可能性があるモデルの質が向上する可能性がある。 私たちのコードはhttps://github.com/AwesomeLemon/HyFree-S3で利用可能です。

関連論文リスト

• FairDiff: Fair Segmentation with Point-Image Diffusion [15.490776421216689]
  本研究は,合成画像を統合することで,データ駆動型戦略強化データバランスを採用する。 3つのネットワークを経験的リスクと公平性の目標に向けて最適化する,共同最適化方式で問題を定式化する。 本モデルは,最先端のフェアネス学習モデルと比較して,優れたフェアネスセグメンテーション性能を実現する。
  論文  参考訳（メタデータ） (2024-07-08T17:59:58Z)
• Generative Enhancement for 3D Medical Images [74.17066529847546]
  本稿では,3次元医用画像合成の新しい生成手法であるGEM-3Dを提案する。 本手法は2次元スライスから始まり,3次元スライスマスクを用いて患者に提供するための情報スライスとして機能し,生成過程を伝搬する。 3D医療画像をマスクと患者の事前情報に分解することで、GEM-3Dは多目的な3D画像を生成する柔軟な、かつ効果的なソリューションを提供する。
  論文  参考訳（メタデータ） (2024-03-19T15:57:04Z)
• EMIT-Diff: Enhancing Medical Image Segmentation via Text-Guided Diffusion Model [4.057796755073023]
  EMIT-Diffと呼ばれる医用画像合成のための制御可能な拡散モデルを開発した。 近年の拡散確率モデルを利用して、現実的で多様な合成医用画像データを生成する。 提案手法では, 合成試料が医療上の制約に適合することを確実にする。
  論文  参考訳（メタデータ） (2023-10-19T16:18:02Z)
• MA-SAM: Modality-agnostic SAM Adaptation for 3D Medical Image Segmentation [58.53672866662472]
  我々はMA-SAMと命名されたモダリティに依存しないSAM適応フレームワークを提案する。 本手法は,重量増加のごく一部だけを更新するためのパラメータ効率の高い微調整戦略に根ざしている。 画像エンコーダのトランスバータブロックに一連の3Dアダプタを注入することにより,事前学習した2Dバックボーンが入力データから3次元情報を抽出することができる。
  論文  参考訳（メタデータ） (2023-09-16T02:41:53Z)
• Joint one-sided synthetic unpaired image translation and segmentation for colorectal cancer prevention [16.356954231068077]
  我々は3D技術と生成対向ネットワークを組み合わせたリアルな合成画像を作成する。 CUT-segは,分割モデルと生成モデルとを共同で訓練し,現実的な画像を生成する共同訓練である。 この研究の一環として、20000のリアルな大腸画像を含む完全に合成されたデータセットであるSynth-Colonをリリースする。
  論文  参考訳（メタデータ） (2023-07-20T22:09:04Z)
• Feature-Conditioned Cascaded Video Diffusion Models for Precise Echocardiogram Synthesis [5.102090025931326]
  我々は、ビデオモデリングのための解明された拡散モデルを拡張し、単一の画像から可視なビデオシーケンスを生成する。 我々の画像からシーケンスへのアプローチは、最近提案されたシーケンスからシーケンス生成手法よりも38ポイント高い93%のR2$スコアを達成する。
  論文  参考訳（メタデータ） (2023-03-22T15:26:22Z)
• 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)
• FedMed-ATL: Misaligned Unpaired Brain Image Synthesis via Affine Transform Loss [58.58979566599889]
  脳画像合成のための新しい自己教師型学習(FedMed)を提案する。 アフィン変換損失(ATL)は、プライバシー法に違反することなく、ひどく歪んだ画像を使用するように定式化された。 提案手法は, 極めて不整合かつ不整合なデータ設定下での合成結果の品質の両方において, 高度な性能を示す。
  論文  参考訳（メタデータ） (2022-01-29T13:45:39Z)
• A Deep Learning Approach to Private Data Sharing of Medical Images Using Conditional GANs [1.2099130772175573]
  COSENTYX (secukinumab) Ankylosing Spondylitis の臨床的検討に基づいて合成データセットを生成する方法を提案する。 本稿では, 画像の忠実度, サンプルの多様性, データセットのプライバシーの3つの重要な指標について, 合成データセットを生成し, その特性を詳細に分析する手法を提案する。
  論文  参考訳（メタデータ） (2021-06-24T17:24:06Z)
• UnrealPerson: An Adaptive Pipeline towards Costless Person Re-identification [102.58619642363959]
  本稿では,unrealpersonという,非現実的な画像データをフル活用して,トレーニングとデプロイメントの両面でコストを削減する新しいパイプラインを提案する。 3,000のIDと12万のインスタンスで、MSMT17に直接転送されると38.5%のランク-1の精度が得られる。
  論文  参考訳（メタデータ） (2020-12-08T08:15:30Z)

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。