論文の概要: Exploring Variational Autoencoders for Medical Image Generation: A Comprehensive Study

• arxiv url: http://arxiv.org/abs/2411.07348v1
• Date: Mon, 11 Nov 2024 20:12:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-13 13:17:45.883897
• Title: Exploring Variational Autoencoders for Medical Image Generation: A Comprehensive Study
• Title（参考訳）: 医用画像生成のための変分オートエンコーダの探索 : 総合的研究
• Authors: Khadija Rais, Mohamed Amroune, Abdelmadjid Benmachiche, Mohamed Yassine Haouam,
• Abstract要約: 可変オートエンコーダ(VAE)は、医用画像生成の分野で最も一般的な技術の一つである。 VAEには、小さなデータセットと不均衡なクラスを持つデータセットにサンプルを追加することで、データセットを改善するというメリットがある。
• 参考スコア（独自算出の注目度）: 0.3749861135832073
• License:
• Abstract: Variational autoencoder (VAE) is one of the most common techniques in the field of medical image generation, where this architecture has shown advanced researchers in recent years and has developed into various architectures. VAE has advantages including improving datasets by adding samples in smaller datasets and in datasets with imbalanced classes, and this is how data augmentation works. This paper provides a comprehensive review of studies on VAE in medical imaging, with a special focus on their ability to create synthetic images close to real data so that they can be used for data augmentation. This study reviews important architectures and methods used to develop VAEs for medical images and provides a comparison with other generative models such as GANs on issues such as image quality, and low diversity of generated samples. We discuss recent developments and applications in several medical fields highlighting the ability of VAEs to improve segmentation and classification accuracy.
• Abstract（参考訳）: 変分オートエンコーダ(VAE)は医療画像生成の分野では最も一般的な手法の1つであり、このアーキテクチャは近年、先進的な研究者を示し、様々なアーキテクチャへと発展してきた。 VAEには、小さなデータセットや不均衡なクラスを持つデータセットにサンプルを追加することで、データセットを改善するというメリットがある。 本稿では,医用画像におけるVAEの研究を包括的に概観し,実データに近い合成画像を作成する能力に着目して,データ拡張に利用できるようにする。 本研究は,医用画像用VAEの開発に使用される重要なアーキテクチャや手法を概説し,画像品質やサンプルの多様性の低さといった問題に関して,GANなどの他の生成モデルとの比較を行った。 いくつかの医学分野における最近の発展と応用について論じ, セグメンテーションと分類精度を向上させるためのVAEの能力を強調した。

関連論文リスト

• Coupling AI and Citizen Science in Creation of Enhanced Training Dataset for Medical Image Segmentation [3.7274206780843477]
  我々は、AIとクラウドソーシングを組み合わせた堅牢で汎用的なフレームワークを導入し、医療画像データセットの品質と量を改善する。 当社のアプローチでは,多様なクラウドアノテータのグループによる医療画像のラベル付けを効率的に行うことができる,ユーザフレンドリーなオンラインプラットフォームを活用している。 我々は、生成AIモデルであるpix2pixGANを使用して、リアルな形態的特徴をキャプチャする合成画像を用いてトレーニングデータセットを拡張する。
  論文  参考訳（メタデータ） (2024-09-04T21:22:54Z)
• VISION-MAE: A Foundation Model for Medical Image Segmentation and Classification [36.8105960525233]
  医用画像に特化して設計された新しい基礎モデルVISION-MAEを提案する。 VISION-MAEは、様々なモダリティから250万枚の未ラベル画像のデータセットでトレーニングされている。 その後、明示的なラベルを使って分類とセグメンテーションのタスクに適応する。
  論文  参考訳（メタデータ） (2024-02-01T21:45:12Z)
• Additional Look into GAN-based Augmentation for Deep Learning COVID-19 Image Classification [57.1795052451257]
  我々は,GANに基づく拡張性能のデータセットサイズ依存性について,小サンプルに着目して検討した。 両方のセットでStyleGAN2-ADAをトレーニングし、生成した画像の品質を検証した後、マルチクラス分類問題における拡張アプローチの1つとしてトレーニングされたGANを使用する。 GANベースの拡張アプローチは、中規模および大規模データセットでは古典的な拡張に匹敵するが、より小さなデータセットでは不十分である。
  論文  参考訳（メタデータ） (2024-01-26T08:28:13Z)
• GAN-GA: A Generative Model based on Genetic Algorithm for Medical Image Generation [0.0]
  生成モデルは、医療画像不足問題に対処するための有望な解決策を提供する。 本稿では遺伝的アルゴリズムを組み込んだ生成モデルであるGAN-GAを提案する。 提案モデルは特徴を保ちながら画像の忠実度と多様性を向上させる。
  論文  参考訳（メタデータ） (2023-12-30T20:16:45Z)
• This Intestine Does Not Exist: Multiscale Residual Variational Autoencoder for Realistic Wireless Capsule Endoscopy Image Generation [7.430724826764835]
  新規な変分オートエンコーダアーキテクチャ,すなわち "This Intestine Don Not Exist" (TIDE) を提案する。 提案アーキテクチャは,マルチスケールな特徴抽出畳み込みブロックと残差接続を備え,高品質で多様なデータセットの生成を可能にする。 利用可能なデータセットの増大を指向した現在のアプローチとは対照的に,本研究では,TIDEを用いて実際のWCEデータセットを完全に置換できることを実証する。
  論文  参考訳（メタデータ） (2023-02-04T11:49:38Z)
• MedSegDiff-V2: Diffusion based Medical Image Segmentation with Transformer [53.575573940055335]
  我々は、MedSegDiff-V2と呼ばれるトランスフォーマーベースの拡散フレームワークを提案する。 画像の異なる20種類の画像分割作業において,その有効性を検証する。
  論文  参考訳（メタデータ） (2023-01-19T03:42:36Z)
• Cutting-Splicing data augmentation: A novel technology for medical image segmentation [16.48154487667144]
  医用画像分割のための新しいデータ拡張技術CS-DA法を開発した。 CS-DAは、異なる位置成分を異なる元の医療画像から新しい画像にスプライシングすることでデータセットを増強する。 従来のデータ拡張技術と比較すると、CS-DAはよりシンプルで堅牢である。
  論文  参考訳（メタデータ） (2022-10-17T13:52:01Z)
• Medical Transformer: Gated Axial-Attention for Medical Image Segmentation [73.98974074534497]
  医用画像分割タスクにおけるトランスフォーマティブネットワークアーキテクチャの利用可能性について検討する。 セルフアテンションモジュールに追加の制御機構を導入することで,既存のアーキテクチャを拡張するGated Axial-Attentionモデルを提案する。 医療画像上で効果的にモデルを訓練するために,さらにパフォーマンスを向上させる局所的グローバルトレーニング戦略 (logo) を提案する。
  論文  参考訳（メタデータ） (2021-02-21T18:35:14Z)
• Domain Shift in Computer Vision models for MRI data analysis: An Overview [64.69150970967524]
  機械学習とコンピュータビジョン手法は、医用画像解析において優れた性能を示している。 しかし、現在臨床応用はごくわずかである。 異なるソースや取得ドメインのデータへのモデルの不適切な転送性は、その理由の1つです。
  論文  参考訳（メタデータ） (2020-10-14T16:34:21Z)
• 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。