論文の概要: Revisiting Data Augmentation for Ultrasound Images

• arxiv url: http://arxiv.org/abs/2501.13193v1
• Date: Wed, 22 Jan 2025 19:50:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-24 15:57:28.268173
• Title: Revisiting Data Augmentation for Ultrasound Images
• Title（参考訳）: 超音波画像のためのデータ拡張の再検討
• Authors: Adam Tupper, Christian Gagné,
• Abstract要約: 広範囲の超音波画像解析タスクにおけるモデル性能向上のための様々な拡張手法の有効性を解析する。 以上の結果から,自然画像のタスクによく使用される拡張は,超音波画像にも有効であることが示唆された。 また,自然画像に広く用いられているTrivialAugmentを用いた多彩な拡張は,超音波画像にも有効であることを示す。
• 参考スコア（独自算出の注目度）: 7.5088011137653625
• License:
• Abstract: Data augmentation is a widely used and effective technique to improve the generalization performance of deep neural networks. Yet, despite often facing limited data availability when working with medical images, it is frequently underutilized. This appears to come from a gap in our collective understanding of the efficacy of different augmentation techniques across different tasks and modalities. One modality where this is especially true is ultrasound imaging. This work addresses this gap by analyzing the effectiveness of different augmentation techniques at improving model performance across a wide range of ultrasound image analysis tasks. To achieve this, we introduce a new standardized benchmark of 14 ultrasound image classification and semantic segmentation tasks from 10 different sources and covering 11 body regions. Our results demonstrate that many of the augmentations commonly used for tasks on natural images are also effective on ultrasound images, even more so than augmentations developed specifically for ultrasound images in some cases. We also show that diverse augmentation using TrivialAugment, which is widely used for natural images, is also effective for ultrasound images. Moreover, our proposed methodology represents a structured approach for assessing various data augmentations that can be applied to other contexts and modalities.
• Abstract（参考訳）: データ拡張は、ディープニューラルネットワークの一般化性能を改善するために広く使われ、効果的である。 しかし、医療画像を扱う際にはデータの可用性が制限されることが多いが、しばしば利用されていない。 これは、異なるタスクやモダリティにまたがる異なる拡張テクニックの有効性に対する、我々の集団的理解のギャップから来ているように思われる。 これが特に真実である1つのモダリティは、超音波イメージングである。 本研究は, 広範囲の超音波画像解析タスクにおいて, モデル性能を向上させるために, 異なる拡張手法の有効性を解析することによって, このギャップに対処するものである。 そこで本研究では,14の超音波画像分類とセマンティックセマンティックセグメンテーションタスクを10の異なるソースから作成し,11の身体領域をカバーするための標準ベンチマークを提案する。 以上の結果から, 自然画像のタスクによく用いられる拡張は, 超音波画像に対して有効であることが明らかとなった。 また,自然画像に広く用いられているTrivialAugmentを用いた多彩な拡張は,超音波画像にも有効であることを示す。 さらに,提案手法は,他の文脈やモダリティに適用可能な様々なデータ拡張を評価するための構造化アプローチを示す。

関連論文リスト

• Analyzing Data Augmentation for Medical Images: A Case Study in Ultrasound Images [7.5088011137653625]
  超音波画像における乳腺病変の分類における異なる拡張法の有効性について検討した。 特定の拡張が他のものよりもはるかに効果的であることを示し、それらの使用が大幅なパフォーマンス向上につながっていることを示す。
  論文  参考訳（メタデータ） (2024-03-14T19:33:57Z)
• LOTUS: Learning to Optimize Task-based US representations [39.81131738128329]
  超音波画像における臓器の解剖学的セグメンテーションは多くの臨床応用に不可欠である。 既存のディープニューラルネットワークは、臨床的に許容できるパフォーマンスを達成するために、トレーニングのために大量のラベル付きデータを必要とする。 本稿では,タスクベース超音速画像表現を最適化する学習手法を提案する。
  論文  参考訳（メタデータ） (2023-07-29T16:29:39Z)
• Domain Generalization for Mammographic Image Analysis with Contrastive Learning [62.25104935889111]
  効果的なディープラーニングモデルのトレーニングには、さまざまなスタイルと品質を備えた大規模なデータが必要である。 より優れたスタイルの一般化能力を備えた深層学習モデルを実現するために,新しいコントラスト学習法が開発された。 提案手法は,様々なベンダスタイルドメインのマンモグラムや,いくつかのパブリックデータセットを用いて,広範囲かつ厳密に評価されている。
  論文  参考訳（メタデータ） (2023-04-20T11:40:21Z)
• RangeAugment: Efficient Online Augmentation with Range Learning [54.61514286212455]
  RangeAugmentは、個々の大きさと複合オーグメンテーション操作を効率よく学習する。 本研究では,RangeAugmentの4～5倍の精度で,最先端自動拡張手法の競争性能が向上することを示す。
  論文  参考訳（メタデータ） (2022-12-20T18:55:54Z)
• OADAT: Experimental and Synthetic Clinical Optoacoustic Data for Standardized Image Processing [62.993663757843464]
  オプトアコースティック(OA)イメージングは、ナノ秒レーザーパルスによる生体組織の励起と、光吸収による熱弾性膨張によって発生する超音波の検出に基づいている。 OAイメージングは、深部組織における豊富な光学コントラストと高分解能の強力な組み合わせを特徴としている。 臨床環境でのOAの幅広い応用を促進するために、異なるタイプの実験的なセットアップと関連する処理手法で生成される標準化データセットは存在しない。
  論文  参考訳（メタデータ） (2022-06-17T08:11:26Z)
• Voice-assisted Image Labelling for Endoscopic Ultrasound Classification using Neural Networks [48.732863591145964]
  本稿では,臨床医が提示した生音声からのEUS画像にラベルを付けるマルチモーダル畳み込みニューラルネットワークアーキテクチャを提案する。 その結果,5つのラベルを持つデータセットにおいて,画像レベルでの予測精度は76%であった。
  論文  参考訳（メタデータ） (2021-10-12T21:22:24Z)
• Deep Learning for Ultrasound Beamforming [120.12255978513912]
  受信した超音波エコーを空間画像領域にマッピングするビームフォーミングは、超音波画像形成チェーンの心臓に位置する。 現代の超音波イメージングは、強力なデジタル受信チャネル処理の革新に大きく依存している。 ディープラーニング手法は、デジタルビームフォーミングパイプラインにおいて魅力的な役割を果たす。
  論文  参考訳（メタデータ） (2021-09-23T15:15:21Z)
• Ultrasound Image Classification using ACGAN with Small Training Dataset [0.0]
  ディープラーニングモデルのトレーニングには大きなラベル付きデータセットが必要であるが、超音波画像では利用できないことが多い。 我々は、大規模データ拡張と転送学習の利点を組み合わせた、ジェネレーティブ・アドバイサル・ネットワーク(ACGAN)を利用する。 乳房超音波画像のデータセットを用いて,提案手法の有効性を示す実験を行った。
  論文  参考訳（メタデータ） (2021-01-31T11:11:24Z)
• Feature matching in Ultrasound images [7.52584704734977]
  超音波画像に特有な深層学習手法を提案する。 通常の画像に優れた結果をもたらす既存手法について検討する。
  論文  参考訳（メタデータ） (2020-10-23T07:43:27Z)
• 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。