論文の概要: Dataset Distillation in Medical Imaging: A Feasibility Study
- arxiv url: http://arxiv.org/abs/2407.14429v1
- Date: Fri, 19 Jul 2024 15:59:04 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-22 16:55:32.286793
- Title: Dataset Distillation in Medical Imaging: A Feasibility Study
- Title（参考訳）: 医用画像におけるデータセット蒸留の可能性
- Authors: Muyang Li, Can Cui, Quan Liu, Ruining Deng, Tianyuan Yao, Marilyn Lionts, Yuankai Huo,
- Abstract要約: 医療画像解析分野におけるデータの共有は、まだ未承認のままである。
可能な解決策の1つは、同様のモデルパフォーマンスを保ちながら、データセット全体の転送を避けることである。
コンピュータ科学におけるデータ蒸留の最近の進歩は、医療データを効率的に共有する有望な可能性を示している。
- 参考スコア（独自算出の注目度）: 16.44272552893816
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Data sharing in the medical image analysis field has potential yet remains underappreciated. The aim is often to share datasets efficiently with other sites to train models effectively. One possible solution is to avoid transferring the entire dataset while still achieving similar model performance. Recent progress in data distillation within computer science offers promising prospects for sharing medical data efficiently without significantly compromising model effectiveness. However, it remains uncertain whether these methods would be applicable to medical imaging, since medical and natural images are distinct fields. Moreover, it is intriguing to consider what level of performance could be achieved with these methods. To answer these questions, we conduct investigations on a variety of leading data distillation methods, in different contexts of medical imaging. We evaluate the feasibility of these methods with extensive experiments in two aspects: 1) Assess the impact of data distillation across multiple datasets characterized by minor or great variations. 2) Explore the indicator to predict the distillation performance. Our extensive experiments across multiple medical datasets reveal that data distillation can significantly reduce dataset size while maintaining comparable model performance to that achieved with the full dataset, suggesting that a small, representative sample of images can serve as a reliable indicator of distillation success. This study demonstrates that data distillation is a viable method for efficient and secure medical data sharing, with the potential to facilitate enhanced collaborative research and clinical applications.
- Abstract（参考訳）: 医療画像解析分野におけるデータの共有は、まだ未承認のままである。
目的は、データセットを他のサイトと効率的に共有し、モデルを効果的にトレーニングすることだ。
可能な解決策の1つは、同様のモデルパフォーマンスを保ちながら、データセット全体の転送を避けることである。
コンピュータ科学におけるデータ蒸留の最近の進歩は、モデルの有効性を著しく損なうことなく、医療データを効率的に共有するための有望な展望を提供する。
しかし、医用画像と自然画像は異なる分野であるため、これらの手法が医用画像に適用できるかどうかは不明である。
さらに、これらの手法でどのレベルのパフォーマンスが達成できるかを考えるのも興味深い。
これらの疑問に答えるために、医療画像のさまざまな文脈において、様々な先進的なデータ蒸留法について調査を行う。
広範に実験を行ったこれらの手法の有効性を2つの側面で評価する。
1) 少数・多種多様な特徴を持つ複数のデータセットにおけるデータ蒸留の影響を評価する。
2)蒸留性能を予測する指標を探索する。
複数の医療データセットにわたる広範な実験により、データ蒸留は、全データセットで達成したデータと同等のモデル性能を維持しながら、データセットサイズを著しく削減できることが明らかとなり、画像の小さな代表的なサンプルが、蒸留の成功の信頼できる指標となることが示唆された。
本研究は,データ蒸留が医療データ共有の効率的かつセキュアな方法であり,共同研究や臨床応用の促進につながる可能性を実証するものである。
関連論文リスト
- Image Distillation for Safe Data Sharing in Histopathology [10.398266052019675]
病理組織学は、臨床医が正確な診断を行い、疾患の予後を判断し、適切な治療戦略を立案するのに役立つ。
深層学習技術が医療分野で成功していることが証明されるにつれ、主な課題はデータ可用性の制限とデータ共有とプライバシに関する懸念である。
私たちは、制約なしに共有できる必須情報をカプセル化する小さな合成データセットを作成します。
我々は,潜在拡散モデルを訓練し,少数の可読性合成画像を用いた新しい蒸留合成データセットを構築した。
論文 参考訳（メタデータ） (2024-06-19T13:19:08Z) - Progressive trajectory matching for medical dataset distillation [15.116863763717623]
プライバシーの問題から、医療画像データセットの共有は不可欠だが難しい。
医用画像データセットを合成データに凝縮する新しいデータセット蒸留法を提案する。
論文 参考訳（メタデータ） (2024-03-20T10:18:20Z) - Importance-Aware Adaptive Dataset Distillation [53.79746115426363]
ディープラーニングモデルの開発は、大規模データセットの可用性によって実現されている。
データセットの蒸留は、大きな元のデータセットから必須情報を保持するコンパクトなデータセットを合成することを目的としている。
本稿では, 蒸留性能を向上する重要適応型データセット蒸留(IADD)法を提案する。
論文 参考訳（メタデータ） (2024-01-29T03:29:39Z) - Distill Gold from Massive Ores: Bi-level Data Pruning towards Efficient Dataset Distillation [96.92250565207017]
本研究では,データセット蒸留作業におけるデータ効率と選択について検討する。
蒸留の力学を再現することにより、実際のデータセットに固有の冗長性についての洞察を提供する。
蒸留における因果関係から最も寄与した試料を見出した。
論文 参考訳（メタデータ） (2023-05-28T06:53:41Z) - A Comprehensive Study on Dataset Distillation: Performance, Privacy,
Robustness and Fairness [8.432686179800543]
我々は,現在最先端のデータセット蒸留法を評価するために,広範囲な実験を行っている。
私たちは、プライバシーリスクがまだ残っていることを示すために、メンバーシップ推論攻撃をうまく利用しています。
この研究は、データセットの蒸留評価のための大規模なベンチマークフレームワークを提供する。
論文 参考訳（メタデータ） (2023-05-05T08:19:27Z) - A Comprehensive Survey of Dataset Distillation [73.15482472726555]
限られた計算能力で無制限に成長するデータを扱うことは困難になっている。
ディープラーニング技術はこの10年で前例のない発展を遂げた。
本稿では,多面的なデータセット蒸留の総合的な理解を提供する。
論文 参考訳（メタデータ） (2023-01-13T15:11:38Z) - Dataset Distillation for Medical Dataset Sharing [38.65823547986758]
データセットの蒸留は、トレーニングされたモデルが元の大きなデータセットと同等のパフォーマンスを達成するように、小さなデータセットを合成することができる。
新型コロナウイルスの胸部X線画像データセットによる実験結果から,胸部X線画像が不足していても高い検出性能が得られた。
論文 参考訳（メタデータ） (2022-09-29T07:49:20Z) - Understanding the Tricks of Deep Learning in Medical Image Segmentation:
Challenges and Future Directions [66.40971096248946]
本稿では,モデル実装の異なるフェーズに対して,MedISegの一連のトリックを収集する。
本稿では,これらの手法の有効性を一貫したベースライン上で実験的に検討する。
私たちはまた、それぞれのコンポーネントがプラグインとプレイの利点を持つ強力なMedISegリポジトリをオープンソースにしました。
論文 参考訳（メタデータ） (2022-09-21T12:30:05Z) - Learning to Generate Synthetic Training Data using Gradient Matching and
Implicit Differentiation [77.34726150561087]
本稿では,深層ネットワークの訓練に要するデータ量を削減できる各種データ蒸留技術について検討する。
近年の考え方に触発されて, 生成的学習ネットワーク, 勾配マッチング, インプリシット関数理論に基づく新しいデータ蒸留手法を提案する。
論文 参考訳（メタデータ） (2022-03-16T11:45:32Z) - Soft-Label Anonymous Gastric X-ray Image Distillation [49.24576562557866]
本稿では,勾配降下法に基づく軟式ラベル匿名胃X線画像蒸留法を提案する。
実験の結果,提案手法は医療データセットを効果的に圧縮するだけでなく,患者の個人情報を保護するために医療画像の匿名化も可能であることがわかった。
論文 参考訳（メタデータ） (2021-04-07T02:04:12Z)
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。