論文の概要: Generative augmentations for improved cardiac ultrasound segmentation using diffusion models

• arxiv url: http://arxiv.org/abs/2502.20100v1
• Date: Thu, 27 Feb 2025 13:57:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-28 14:56:14.734297
• Title: Generative augmentations for improved cardiac ultrasound segmentation using diffusion models
• Title（参考訳）: 拡散モデルを用いた心エコー区分けの改善のための生成的拡張
• Authors: Gilles Van De Vyver, Aksel Try Lenz, Erik Smistad, Sindre Hellum Olaisen, Bjørnar Grenne, Espen Holte, Håavard Dalen, Lasse Løvstakken,
• Abstract要約: この研究は拡散モデルを用いて、データセットの多様性を著しく改善する生成的拡張を生成する。 ビジュアルテストでは、専門家は実際の画像と完全に生成された画像を明確に区別できないことがわかった。
• 参考スコア（独自算出の注目度）: 0.6705350492465872
• License:
• Abstract: One of the main challenges in current research on segmentation in cardiac ultrasound is the lack of large and varied labeled datasets and the differences in annotation conventions between datasets. This makes it difficult to design robust segmentation models that generalize well to external datasets. This work utilizes diffusion models to create generative augmentations that can significantly improve diversity of the dataset and thus the generalisability of segmentation models without the need for more annotated data. The augmentations are applied in addition to regular augmentations. A visual test survey showed that experts cannot clearly distinguish between real and fully generated images. Using the proposed generative augmentations, segmentation robustness was increased when training on an internal dataset and testing on an external dataset with an improvement of over 20 millimeters in Hausdorff distance. Additionally, the limits of agreement for automatic ejection fraction estimation improved by up to 20% of absolute ejection fraction value on out of distribution cases. These improvements come exclusively from the increased variation of the training data using the generative augmentations, without modifying the underlying machine learning model. The augmentation tool is available as an open source Python library at https://github.com/GillesVanDeVyver/EchoGAINS.
• Abstract（参考訳）: 心臓超音波におけるセグメンテーションに関する現在の研究の課題の1つは、大規模で多様なラベル付きデータセットの欠如と、データセット間のアノテーション規則の違いである。 これにより、外部データセットをうまく一般化する堅牢なセグメンテーションモデルの設計が困難になる。 この研究は拡散モデルを用いて、データセットの多様性を著しく改善し、より注釈付きデータを必要としないセグメンテーションモデルの一般化を可能にする生成拡張を生成する。 通常の増補に加えて増補が適用される。 ビジュアルテストでは、専門家は実際の画像と完全に生成された画像を明確に区別できないことがわかった。 提案手法を用いることで,内部データセットのトレーニングおよび外部データセットの試験において,ハウスドルフ距離20ミリ以上の改善によりセグメンテーションロバスト性が向上した。 さらに, 自動排出分数推定における合意の限界は, 分散ケース外における絶対排出分数値の最大20%向上した。 これらの改善は、基礎となる機械学習モデルを変更することなく、生成的拡張を使用したトレーニングデータのバリエーションの増加によるものである。 augmentationツールは、https://github.com/GillesVanDeVyver/EchoGAINSでオープンソースPythonライブラリとして利用できる。

関連論文リスト

• Synthetic ECG Generation for Data Augmentation and Transfer Learning in Arrhythmia Classification [1.7614607439356635]
  本稿では,Deep Learningと異なる生成モデルを用いて生成した合成データの有用性について検討する。 本研究では, 合成事前学習モデルを微調整し, 実データの比率を増大させることにより, 伝達学習の効果について検討する。
  論文  参考訳（メタデータ） (2024-11-27T15:46:34Z)
• Generative Expansion of Small Datasets: An Expansive Graph Approach [13.053285552524052]
  最小限のサンプルから大規模で情報豊富なデータセットを生成する拡張合成モデルを提案する。 自己アテンション層と最適なトランスポートを持つオートエンコーダは、分散一貫性を洗練させる。 結果は同等のパフォーマンスを示し、モデルがトレーニングデータを効果的に増強する可能性を示している。
  論文  参考訳（メタデータ） (2024-06-25T02:59:02Z)
• DiverGen: Improving Instance Segmentation by Learning Wider Data Distribution with More Diverse Generative Data [48.31817189858086]
  生成データは、モデルが学習できるデータ分布を拡大し、過剰適合を軽減できると主張している。 DiverGenは強力なX-Pasteよりも優れており、すべてのカテゴリで+1.1ボックスAPと+1.1マスクAPを達成でき、まれなカテゴリでは+1.9ボックスAPと+2.5マスクAPを達成できる。
  論文  参考訳（メタデータ） (2024-05-16T15:30:18Z)
• Distribution-Aware Data Expansion with Diffusion Models [55.979857976023695]
  本研究では,分散型拡散モデルに基づくトレーニングフリーなデータ拡張フレームワークであるDistDiffを提案する。 DistDiffは、オリジナルデータのみにトレーニングされたモデルと比較して、さまざまなデータセットの精度を一貫して向上させる。
  論文  参考訳（メタデータ） (2024-03-11T14:07:53Z)
• Collinear datasets augmentation using Procrustes validation sets [0.0]
  数値と混合データセットの増大のための新しい手法を提案する。 クロスバリデーション・リサンプリングと潜在変数モデリングを利用して追加のデータポイントを生成する。 特に、中程度から高いコリニアリティのデータセットでは効率的である。
  論文  参考訳（メタデータ） (2023-12-08T09:07:11Z)
• DualAug: Exploiting Additional Heavy Augmentation with OOD Data Rejection [77.6648187359111]
  そこで本稿では,textbfDualAug という新しいデータ拡張手法を提案する。 教師付き画像分類ベンチマークの実験では、DualAugは様々な自動データ拡張法を改善している。
  論文  参考訳（メタデータ） (2023-10-12T08:55:10Z)
• Improving Out-of-Distribution Robustness of Classifiers via Generative Interpolation [56.620403243640396]
  ディープニューラルネットワークは、独立かつ同一に分散されたデータ(すなわち、d)から学習する上で、優れたパフォーマンスを達成する。 しかし、アウト・オブ・ディストリビューション(OoD)データを扱う場合、その性能は著しく低下する。 多様なOoDサンプルを合成するために,複数のドメインから学習した生成モデルを融合するための生成補間法(Generative Interpolation)を開発した。
  論文  参考訳（メタデータ） (2023-07-23T03:53:53Z)
• Augmentation-Aware Self-Supervision for Data-Efficient GAN Training [68.81471633374393]
  識別器が過度に適合する傾向があるため、限られたデータでGANを訓練することは困難である。 本稿では,拡張データの拡張パラメータを予測する,拡張型自己教師型識別器を提案する。 本稿では,クラス条件の BigGAN と非条件の StyleGAN2 アーキテクチャを用いた State-of-the-art (SOTA) 手法と比較する。
  論文  参考訳（メタデータ） (2022-05-31T10:35:55Z)
• Invariance Learning in Deep Neural Networks with Differentiable Laplace Approximations [76.82124752950148]
  我々はデータ拡張を選択するための便利な勾配法を開発した。 我々はKronecker-factored Laplace近似を我々の目的とする限界確率に近似する。
  論文  参考訳（メタデータ） (2022-02-22T02:51:11Z)
• Semi-supervised Task-driven Data Augmentation for Medical Image Segmentation [9.499375648561001]
  教師付き学習ベースセグメンテーション法は、テスト時によく一般化するために、多くの注釈付きトレーニングデータを必要とする。 医療応用では、専門家から大量の注釈付きサンプルを取得するのに時間がかかり、費用がかかるため、そのようなデータセットのキュレーションは好ましくない。 本稿では,限定ラベル付きデータを用いた学習のためのタスク駆動型データ拡張手法を提案する。
  論文  参考訳（メタデータ） (2020-07-09T17:05:42Z)
• Segmentation of Surgical Instruments for Minimally-Invasive Robot-Assisted Procedures Using Generative Deep Neural Networks [17.571763112459166]
  本研究は,極小侵襲手術器具のセマンティックセグメンテーションをトレーニングデータを用いて改善できることを証明した。 これを実現するために、ソースデータセットを変換してターゲットデータセットのドメイン分布を近似するCycleGANモデルを使用する。 完全ラベルを持つこの新たに生成されたデータは、セマンティックセグメンテーションニューラルネットワークであるU-Netのトレーニングに使用される。
  論文  参考訳（メタデータ） (2020-06-05T14:39:41Z)

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。