論文の概要: Enhancing Medical Image Analysis through Geometric and Photometric transformations

• arxiv url: http://arxiv.org/abs/2501.13643v1
• Date: Thu, 23 Jan 2025 13:21:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-24 15:55:59.782279
• Title: Enhancing Medical Image Analysis through Geometric and Photometric transformations
• Title（参考訳）: 幾何学的および測光的変換による医用画像解析の強化
• Authors: Khadija Rais, Mohamed Amroune, Mohamed Yassine Haouam,
• Abstract要約: 2つの異なる医用画像データセットにおけるデータ拡張手法の有効性を評価する。 最初のステップでは良性および悪性のクラスを含む皮膚がんデータセットにいくつかの変換手法を適用した。 第2ステップでは、網膜と血管のデータセットを用いて、2つのランダムな画像とそれに対応するマスクを混合することにより、Mixup手法を用いた。
• 参考スコア（独自算出の注目度）: 0.40964539027092917
• License:
• Abstract: Medical image analysis suffers from a lack of labeled data due to several challenges including patient privacy and lack of experts. Although some AI models only perform well with large amounts of data, we will move to data augmentation where there is a solution to improve the performance of our models and increase the dataset size through traditional or advanced techniques. In this paper, we evaluate the effectiveness of data augmentation techniques on two different medical image datasets. In the first step, we applied some transformation techniques to the skin cancer dataset containing benign and malignant classes. Then, we trained the convolutional neural network (CNN) on the dataset before and after augmentation, which significantly improved test accuracy from 90.74% to 96.88% and decreased test loss from 0.7921 to 0.1468 after augmentation. In the second step, we used the Mixup technique by mixing two random images and their corresponding masks using the retina and blood vessels dataset, then we trained the U-net model and obtained the Dice coefficient which increased from 0 before augmentation to 0.4163 after augmentation. The result shows the effect of using data augmentation to increase the dataset size on the classification and segmentation performance.
• Abstract（参考訳）: 医療画像分析は、患者のプライバシーや専門家の欠如など、いくつかの課題によりラベル付きデータの欠如に悩まされている。 一部のAIモデルは、大量のデータでしかうまく動作しないが、従来の技術や高度な技術によって、モデルのパフォーマンスを改善しデータセットのサイズを拡大するためのソリューションが存在する、データ拡張に移行する。 本稿では,2つの異なる医用画像データセットに対するデータ拡張手法の有効性を評価する。 最初のステップでは良性および悪性のクラスを含む皮膚がんデータセットにいくつかの変換手法を適用した。 その後,拡張前後のデータセット上で畳み込みニューラルネットワーク(CNN)をトレーニングし,90.74%から96.88%に改善し,拡張後のテスト損失は0.7921から0.1468に減少した。 第2ステップでは,2つのランダムな画像とそれに対応するマスクを網膜と血管のデータセットを用いて混合し,U-netモデルを訓練し,拡張前の0から拡張後の0.4163までのDice係数を得た。 その結果,データセットサイズを増大させるためにデータ拡張を用いることが,分類とセグメンテーション性能に与える影響が示された。

関連論文リスト

• A Study of Data Augmentation Techniques to Overcome Data Scarcity in Wound Classification using Deep Learning [0.0]
  データ拡張により、最先端モデル上での分類性能、F1スコアが最大11%向上することを示す。 GANをベースとした拡張実験により, DE-GANを用いて創傷像をよりリッチに生成できることが証明された。
  論文  参考訳（メタデータ） (2024-11-04T00:24:50Z)
• Improving Deep Learning-based Automatic Cranial Defect Reconstruction by Heavy Data Augmentation: From Image Registration to Latent Diffusion Models [0.2911706166691895]
  この研究は、パーソナライズされた頭蓋インプラントの自動モデリングにおける人工知能の分野に多大な貢献をしている。 重データの増大が定量的および定性的な結果の両方を著しく増加させることを示す。 また, 人工的に拡張したネットワークは, 実際の臨床的欠陥を再構築することに成功した。
  論文  参考訳（メタデータ） (2024-06-10T15:34:23Z)
• 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)
• 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)
• Diffusion-based Data Augmentation for Skin Disease Classification: Impact Across Original Medical Datasets to Fully Synthetic Images [2.5075774184834803]
  深層ニューラルネットワークは、過度な適合を避けるために、依然として大量のトレーニングデータに依存している。 医療のような現実世界のアプリケーションのためのラベル付きトレーニングデータには制限があり、アクセスが困難である。 我々は,我々の大脳皮質皮膚疾患データセットのトレーニングサンプルを増強する上で,テキスト・画像拡散確率モデルの成功を生かした。
  論文  参考訳（メタデータ） (2023-01-12T04:22:23Z)
• Development of an algorithm for medical image segmentation of bone tissue in interaction with metallic implants [58.720142291102135]
  本研究では,金属インプラントとの接触部における骨成長の計算アルゴリズムを開発した。 骨とインプラント組織はトレーニングデータセットに手動でセグメンテーションされた。 ネットワーク精度の面では、モデルは約98%に達した。
  論文  参考訳（メタデータ） (2022-04-22T08:17:20Z)
• Feature transforms for image data augmentation [74.12025519234153]
  画像分類において、多くの拡張アプローチは単純な画像操作アルゴリズムを利用する。 本研究では,14種類の拡張アプローチを組み合わせて生成した画像を追加することで,データレベルでのアンサンブルを構築する。 事前トレーニングされたResNet50ネットワークは、各拡張メソッドから派生した画像を含むトレーニングセットに基づいて微調整される。
  論文  参考訳（メタデータ） (2022-01-24T14:12:29Z)
• Image Translation for Medical Image Generation -- Ischemic Stroke Lesions [0.0]
  注釈付き病理を持つ合成データベースは、必要なトレーニングデータを提供することができる。 画像から画像への変換モデルを訓練し、脳卒中病変を伴わない脳の容積の磁気共鳴像を合成する。 臨床例は10例, 50例に過ぎなかったが, 総合的なデータ拡張は有意な改善をもたらすことが示唆された。
  論文  参考訳（メタデータ） (2020-10-05T09:12:28Z)
• Evaluation of Deep Convolutional Generative Adversarial Networks for data augmentation of chest X-ray images [0.0]
  医用画像データセットは通常、データを取得し、アノテーションを消費するコストが高いため、不均衡である。 本研究では,Chest X-raysデータセット上で生成モデルを用いてデータ拡張を行った。
  論文  参考訳（メタデータ） (2020-09-02T16:43:55Z)
• Data Consistent CT Reconstruction from Insufficient Data with Learned Prior Images [70.13735569016752]
  偽陰性病変と偽陽性病変を呈示し,CT画像再構成における深層学習の堅牢性について検討した。 本稿では,圧縮センシングと深層学習の利点を組み合わせた画像品質向上のためのデータ一貫性再構築手法を提案する。 提案手法の有効性は,円錐ビームCTにおいて,トランキャットデータ,リミテッドアングルデータ,スパースビューデータで示される。
  論文  参考訳（メタデータ） (2020-05-20T13:30:49Z)
• Automatic Data Augmentation via Deep Reinforcement Learning for Effective Kidney Tumor Segmentation [57.78765460295249]
  医用画像セグメンテーションのための新しい学習ベースデータ拡張法を開発した。 本手法では,データ拡張モジュールと後続のセグメンテーションモジュールをエンドツーエンドのトレーニング方法で一貫した損失と,革新的に組み合わせる。 提案法の有効性を検証したCT腎腫瘍分節法について,本法を広範囲に評価した。
  論文  参考訳（メタデータ） (2020-02-22T14:10:13Z)

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。