論文の概要: Ctrl-GenAug: Controllable Generative Augmentation for Medical Sequence Classification
- arxiv url: http://arxiv.org/abs/2409.17091v1
- Date: Wed, 25 Sep 2024 16:58:19 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-27 02:44:18.322526
- Title: Ctrl-GenAug: Controllable Generative Augmentation for Medical Sequence Classification
- Title（参考訳）: Ctrl-GenAug:医療シーケンス分類のための制御可能な生成拡張
- Authors: Xinrui Zhou, Yuhao Huang, Haoran Dou, Shijing Chen, Ao Chang, Jia Liu, Weiran Long, Jian Zheng, Erjiao Xu, Jie Ren, Ruobing Huang, Jun Cheng, Wufeng Xue, Dong Ni,
- Abstract要約: Ctrl-GenAugは新規で汎用的な生成拡張フレームワークである。
高度に意味論的およびシーケンシャルな塩基配列合成を可能にし、誤って合成されたサンプルを抑圧する。
- 参考スコア（独自算出の注目度）: 16.02675888386905
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In the medical field, the limited availability of large-scale datasets and labor-intensive annotation processes hinder the performance of deep models. Diffusion-based generative augmentation approaches present a promising solution to this issue, having been proven effective in advancing downstream medical recognition tasks. Nevertheless, existing works lack sufficient semantic and sequential steerability for challenging video/3D sequence generation, and neglect quality control of noisy synthesized samples, resulting in unreliable synthetic databases and severely limiting the performance of downstream tasks. In this work, we present Ctrl-GenAug, a novel and general generative augmentation framework that enables highly semantic- and sequential-customized sequence synthesis and suppresses incorrectly synthesized samples, to aid medical sequence classification. Specifically, we first design a multimodal conditions-guided sequence generator for controllably synthesizing diagnosis-promotive samples. A sequential augmentation module is integrated to enhance the temporal/stereoscopic coherence of generated samples. Then, we propose a noisy synthetic data filter to suppress unreliable cases at semantic and sequential levels. Extensive experiments on 3 medical datasets, using 11 networks trained on 3 paradigms, comprehensively analyze the effectiveness and generality of Ctrl-GenAug, particularly in underrepresented high-risk populations and out-domain conditions.
- Abstract（参考訳）: 医療分野では、大規模データセットと労働集約的なアノテーションプロセスの限られた利用が、ディープモデルの性能を妨げている。
拡散に基づく生成増強アプローチは、下流の医療認識タスクの進行に有効であることが証明され、この問題に対して有望な解決策を示す。
それでも、既存の作品には、ビデオ/3Dシーケンス生成に挑戦するための十分な意味とシーケンシャルな操縦性がなく、ノイズの多い合成サンプルの品質管理を怠り、信頼性の低い合成データベースとなり、下流タスクの性能を著しく制限した。
そこで本研究では, 新規で汎用的な生成拡張フレームワークであるCtrl-GenAugを紹介し, 高い意味論的およびシーケンシャルな配列合成を可能にし, 不正に合成されたサンプルを抑圧し, 医学的配列分類を支援する。
具体的には、まずマルチモーダルな条件誘導配列生成器を設計し、診断促進サンプルを制御合成する。
逐次拡張モジュールは、生成されたサンプルの時間的/立体的コヒーレンスを高めるために統合される。
そこで本研究では, セマンティックおよびシーケンシャルレベルでの信頼できないケースを抑えるため, ノイズの多い合成データフィルタを提案する。
Ctrl-GenAugの有効性と一般性、特に低リスクの高リスク集団や領域外条件において、11のネットワークを3つのパラダイムでトレーニングした。
関連論文リスト
- Generating Multi-Modal and Multi-Attribute Single-Cell Counts with CFGen [76.02070962797794]
マルチモーダル単細胞数に対するフローベース条件生成モデルであるセルフロー・フォー・ジェネレーションを提案する。
本研究は, 新規な生成タスクを考慮に入れた上で, 重要な生物学的データ特性の回復性の向上を示唆するものである。
論文 参考訳（メタデータ） (2024-07-16T14:05:03Z) - MTS-DVGAN: Anomaly Detection in Cyber-Physical Systems using a Dual
Variational Generative Adversarial Network [7.889342625283858]
深層生成モデルは、ラベル付き情報に頼ることなく、サイバー物理システム(CPS)の脆弱性を軽減し、新しいサイバー物理攻撃を検出することを約束している。
本稿では、MST-DVGANという、教師なし二重変分生成対向モデルを提案する。
中心となる概念は、再構成された異常サンプルと正常なサンプルとの区別を広げることで、モデルの識別能力を高めることである。
論文 参考訳（メタデータ） (2023-11-04T11:19:03Z) - Generalizing Medical Image Representations via Quaternion Wavelet Networks [9.836302410524842]
医用画像から健全な特徴を抽出できる,新しい,一般化可能な,データに依存しないフレームワークを提案する。
提案する4元ウェーブレットネットワーク(quaVE)は,既存の医用画像解析や合成作業と容易に統合できる。
論文 参考訳（メタデータ） (2023-10-16T09:34:06Z) - Conditional Denoising Diffusion for Sequential Recommendation [62.127862728308045]
GAN(Generative Adversarial Networks)とVAE(VAE)の2つの顕著な生成モデル
GANは不安定な最適化に苦しむ一方、VAEは後続の崩壊と過度に平らな世代である。
本稿では,シーケンスエンコーダ,クロスアテンティブデノナイジングデコーダ,ステップワイズディフューザを含む条件付きデノナイジング拡散モデルを提案する。
論文 参考訳（メタデータ） (2023-04-22T15:32:59Z) - Mutual Exclusivity Training and Primitive Augmentation to Induce
Compositionality [84.94877848357896]
最近のデータセットは、標準的なシーケンス・ツー・シーケンスモデルにおける体系的な一般化能力の欠如を露呈している。
本稿では,セq2seqモデルの振る舞いを分析し,相互排他バイアスの欠如と全例を記憶する傾向の2つの要因を同定する。
広範に使用されている2つの構成性データセット上で、標準的なシーケンス・ツー・シーケンスモデルを用いて、経験的改善を示す。
論文 参考訳（メタデータ） (2022-11-28T17:36:41Z) - Deceive D: Adaptive Pseudo Augmentation for GAN Training with Limited
Data [125.7135706352493]
GAN(Generative Adversarial Network)は、高忠実度画像を合成するために、訓練に十分なデータを必要とする。
近年の研究では、差別者の過度な適合により、限られたデータでGANを訓練することは困難であることが示されている。
本稿では,APA (Adaptive Pseudo Augmentation) と呼ばれる新しい手法を提案する。
論文 参考訳（メタデータ） (2021-11-12T18:13:45Z) - METGAN: Generative Tumour Inpainting and Modality Synthesis in Light
Sheet Microscopy [4.872960046536882]
本稿では,実解剖情報を活用し,腫瘍の現実的な画像ラベル対を生成する新しい生成法を提案する。
解剖学的画像とラベルのためのデュアルパス生成器を構築し, 独立して事前学習されたセグメンタによって制約された, サイクル一貫性のある設定で学習する。
生成した画像は,既存の手法に比べて定量的に顕著に改善された。
論文 参考訳（メタデータ） (2021-04-22T11:18:17Z) - Conditional Hybrid GAN for Sequence Generation [56.67961004064029]
本稿では,この問題を解決するための条件付きハイブリッドGAN(C-Hybrid-GAN)を提案する。
我々はGumbel-Softmax法を利用して離散値列の分布を近似する。
提案したC-Hybrid-GANは、文脈条件付き離散値シーケンス生成において既存の手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2020-09-18T03:52:55Z) - SynCGAN: Using learnable class specific priors to generate synthetic
data for improving classifier performance on cytological images [3.0245533608670865]
注記画像に対するパスリアリスティックなサンプル生成のための条件付きGANを提案する。
我々は,提案したSynCGANを用いたデータ拡張により,ResNet-152,DenseNet-161,Inception-V3などの美術分類器の性能が大幅に向上することを示した。
論文 参考訳（メタデータ） (2020-03-12T11:23:23Z) - SUOD: Accelerating Large-Scale Unsupervised Heterogeneous Outlier
Detection [63.253850875265115]
外乱検出(OD)は、一般的なサンプルから異常物体を識別するための機械学習(ML)タスクである。
そこで我々は,SUODと呼ばれるモジュール型加速度システムを提案する。
論文 参考訳（メタデータ） (2020-03-11T00:22:50Z)
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。