論文の概要: A Novel Breast Ultrasound Image Augmentation Method Using Advanced Neural Style Transfer: An Efficient and Explainable Approach

• arxiv url: http://arxiv.org/abs/2411.00254v1
• Date: Thu, 31 Oct 2024 23:18:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-05 14:48:50.773216
• Title: A Novel Breast Ultrasound Image Augmentation Method Using Advanced Neural Style Transfer: An Efficient and Explainable Approach
• Title（参考訳）: 先進的ニューラルスタイル変換を用いた乳房超音波画像強調法 : 効率的かつ説明可能なアプローチ
• Authors: Lipismita Panigrahi, Prianka Rani Saha, Jurdana Masuma Iqrah, Sushil Prasad,
• Abstract要約: 本研究では,高度なニューラルスタイル転送と説明可能なAI(XAI)を用いた,BUS画像の効率的な拡張手法の開発を目的とする。 800個の良性BUS画像(348個の良性BUS画像と452個の悪性BUS画像)で評価し,その性能を他の進行的手法を用いて解析した。 その結果、提案手法は、92.47%の精度でBUS画像の増大に成功できることが示唆された。
• 参考スコア（独自算出の注目度）: 0.4499833362998487
• License:
• Abstract: Clinical diagnosis of breast malignancy (BM) is a challenging problem in the recent era. In particular, Deep learning (DL) models have continued to offer important solutions for early BM diagnosis but their performance experiences overfitting due to the limited volume of breast ultrasound (BUS) image data. Further, large BUS datasets are difficult to manage due to privacy and legal concerns. Hence, image augmentation is a necessary and challenging step to improve the performance of the DL models. However, the current DL-based augmentation models are inadequate and operate as a black box resulting lack of information and justifications about their suitability and efficacy. Additionally, pre and post-augmentation need high-performance computational resources and time to produce the augmented image and evaluate the model performance. Thus, this study aims to develop a novel efficient augmentation approach for BUS images with advanced neural style transfer (NST) and Explainable AI (XAI) harnessing GPU-based parallel infrastructure. We scale and distribute the training of the augmentation model across 8 GPUs using the Horovod framework on a DGX cluster, achieving a 5.09 speedup while maintaining the model's accuracy. The proposed model is evaluated on 800 (348 benign and 452 malignant) BUS images and its performance is analyzed with other progressive techniques, using different quantitative analyses. The result indicates that the proposed approach can successfully augment the BUS images with 92.47% accuracy.
• Abstract（参考訳）: 近年,乳腺悪性腫瘍(BM)の診断が課題となっている。 特に、Deep Learning(DL)モデルは、早期BM診断のための重要なソリューションを提供し続けているが、乳房超音波(BUS)画像データに制限があるため、そのパフォーマンス経験は過度に適合している。 さらに、プライバシーと法的懸念のため、大規模なBUSデータセットの管理は困難である。 したがって、画像拡張はDLモデルの性能を向上させるための必要かつ困難なステップである。 しかし、現在のDLベースの拡張モデルは不十分であり、ブラックボックスとして機能し、情報の不足とそれらの適合性と有効性に関する正当化をもたらす。 さらに,前処理と後処理には高性能な計算資源と時間が必要であり,画像の生成とモデル性能の評価が可能である。 そこで本研究では,GPUベースの並列インフラストラクチャを活用した,高度なニューラルスタイル転送(NST)と説明可能なAI(XAI)を用いた,BUS画像の効率的な拡張手法を開発することを目的とする。 DGXクラスタ上でHorovodフレームワークを使用して,8つのGPUで拡張モデルのトレーニングをスケールおよび分散し,モデルの精度を維持しながら5.09の高速化を実現した。 800個の良性BUS画像(348個の良性BUS画像と452個の悪性BUS画像)で評価し,その性能を他の進行的手法を用いて分析した。 その結果、提案手法は、92.47%の精度でBUS画像の増大に成功できることが示唆された。

関連論文リスト

• Towards Enhanced Analysis of Lung Cancer Lesions in EBUS-TBNA -- A Semi-Supervised Video Object Detection Method [0.0]
  本研究は, 子宮内膜超音波(EBUS)を用いた肺病変のコンピュータ診断システムの構築を目的とする。 これまでの研究では、EBUS-TBNAへのオブジェクト検出モデルの適用が不足していた。
  論文  参考訳（メタデータ） (2024-04-02T13:23:21Z)
• Knowledge-based in silico models and dataset for the comparative evaluation of mammography AI for a range of breast characteristics, lesion conspicuities and doses [2.9362519537872647]
  M-SYNTH(M-SYNTH)は乳腺線維腺の密度分布の異なるコホートのデータセットである。 その結果,乳房密度の増加とともにモデル性能が低下し,体重密度が増大することがわかった。 曝露レベルが低下すると、AIモデルの性能は、乳房型に推奨される推奨投与量よりも低い被曝レベルで達成された最高性能で低下する。
  論文  参考訳（メタデータ） (2023-10-27T21:14:30Z)
• Evaluating the feasibility of using Generative Models to generate Chest X-Ray Data [0.0]
  人工胸部X線画像作成のための生成モデルの有用性について検討した。 我々は,ケストX線14データセットを実験に利用し,モデルの性能評価を行った。 その結果,生成した画像は視覚的に説得力があり,分類モデルの精度向上に有効であることが示唆された。
  論文  参考訳（メタデータ） (2023-05-30T10:36:30Z)
• Performance of GAN-based augmentation for deep learning COVID-19 image classification [57.1795052451257]
  ディープラーニングを医療分野に適用する上で最大の課題は、トレーニングデータの提供である。 データ拡張は、限られたデータセットに直面した時に機械学習で使用される典型的な方法論である。 本研究は, 新型コロナウイルスの胸部X線画像セットを限定して, StyleGAN2-ADAモデルを用いて訓練するものである。
  論文  参考訳（メタデータ） (2023-04-18T15:39:58Z)
• Fine-tuned Generative Adversarial Network-based Model for Medical Image Super-Resolution [2.647302105102753]
  The Real-Enhanced Super-Resolution Generative Adversarial Network (Real-ESRGAN) is a practical model for recovery HR images from real-world LR images。 実世界の画像劣化をシミュレートするReal-ESRGANの高次劣化モデルを用いる。 提案モデルでは,Real-ESRGANモデルに比べて知覚品質が優れ,細部を効果的に保存し,より現実的なテクスチャで画像を生成する。
  論文  参考訳（メタデータ） (2022-11-01T16:48:04Z)
• An Adversarial Active Sampling-based Data Augmentation Framework for Manufacturable Chip Design [55.62660894625669]
  リソグラフィーモデリングは、チップ設計マスクが製造可能であることを保証するため、チップ設計において重要な問題である。 機械学習の最近の進歩は、時間を要するリソグラフィーシミュレーションをディープニューラルネットワークに置き換えるための代替ソリューションを提供している。 本稿では,限られたデータのジレンマを解消し,機械学習モデルの性能を向上させるために,データ拡張フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-10-27T20:53:39Z)
• Ultrasound Signal Processing: From Models to Deep Learning [64.56774869055826]
  医用超音波画像は、信頼性と解釈可能な画像再構成を提供するために、高品質な信号処理に大きく依存している。 データ駆動方式で最適化されたディープラーニングベースの手法が人気を集めている。 比較的新しいパラダイムは、データ駆動型ディープラーニングの活用とドメイン知識の活用という2つのパワーを組み合わせたものだ。
  論文  参考訳（メタデータ） (2022-04-09T13:04:36Z)
• 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)
• Deep AUC Maximization for Medical Image Classification: Challenges and Opportunities [60.079782224958414]
  我々は、AUCによる新たな深層学習手法による機会と課題を提示し、議論する(別名、アンダーラインbfディープアンダーラインbfAUC分類)。
  論文  参考訳（メタデータ） (2021-11-01T15:31:32Z)
• Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
  ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。 胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。 本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
  論文  参考訳（メタデータ） (2021-02-26T02:29:30Z)
• Resolution-Based Distillation for Efficient Histology Image Classification [29.603903713682275]
  本論文では,ヒストロジー画像分類の計算効率向上のための深層学習に基づく新しい手法を提案する。 提案手法は,入力解像度を低減し,限定ラベルデータを用いて効果的にトレーニングできる画像に対して頑健である。 セリアック病(CD)と肺腺癌(LUAD)に関連する2つの組織学的画像データセットに対するアプローチを評価した。
  論文  参考訳（メタデータ） (2021-01-11T20:00:35Z)

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。