論文の概要: Beyond a Single Mode: GAN Ensembles for Diverse Medical Data Generation

• arxiv url: http://arxiv.org/abs/2503.24258v1
• Date: Mon, 31 Mar 2025 16:06:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-01 14:38:19.842553
• Title: Beyond a Single Mode: GAN Ensembles for Diverse Medical Data Generation
• Title（参考訳）: シングルモードを超えて: 多様な医療データ生成のためのGANアンサンブル
• Authors: Lorenzo Tronchin, Tommy Löfstedt, Paolo Soda, Valerio Guarrasi,
• Abstract要約: Generative Adversarial Networks (GAN) は、様々なアプリケーションで約束されている。 GANは、モード崩壊や実際のデータ分散の不十分なカバレッジといった課題に直面している。 本研究は,これらの限界,特に医用画像の文脈において,これらの限界を克服するためにGANアンサンブルを用いることを探求する。
• 参考スコア（独自算出の注目度）: 2.2872962496469027
• License:
• Abstract: The advancement of generative AI, particularly in medical imaging, confronts the trilemma of ensuring high fidelity, diversity, and efficiency in synthetic data generation. While Generative Adversarial Networks (GANs) have shown promise across various applications, they still face challenges like mode collapse and insufficient coverage of real data distributions. This work explores the use of GAN ensembles to overcome these limitations, specifically in the context of medical imaging. By solving a multi-objective optimisation problem that balances fidelity and diversity, we propose a method for selecting an optimal ensemble of GANs tailored for medical data. The selected ensemble is capable of generating diverse synthetic medical images that are representative of true data distributions and computationally efficient. Each model in the ensemble brings a unique contribution, ensuring minimal redundancy. We conducted a comprehensive evaluation using three distinct medical datasets, testing 22 different GAN architectures with various loss functions and regularisation techniques. By sampling models at different training epochs, we crafted 110 unique configurations. The results highlight the capability of GAN ensembles to enhance the quality and utility of synthetic medical images, thereby improving the efficacy of downstream tasks such as diagnostic modelling.
• Abstract（参考訳）: 生成AIの進歩、特に医用画像における進歩は、合成データ生成における高い忠実さ、多様性、効率性を保証するというトリレンマに直面している。 Generative Adversarial Networks (GAN) は様々なアプリケーションで約束されているが、モード崩壊や実際のデータ分散のカバー不足といった課題に直面している。 本研究は,これらの限界,特に医用画像の文脈において,これらの限界を克服するためにGANアンサンブルを用いることを探求する。 本稿では,多目的最適化問題を解くことで,医療データに適したGANの最適アンサンブルを選択する方法を提案する。 選択されたアンサンブルは、真のデータ分布を代表し、計算効率のよい多様な合成医療画像を生成することができる。 アンサンブルの各モデルはユニークなコントリビューションをもたらし、最小限の冗長性を保証する。 我々は3つの異なる医療データセットを用いて総合的な評価を行い、22の異なるGANアーキテクチャを様々な損失関数と正規化技術でテストした。 異なるトレーニングエポックでモデルをサンプリングすることで、110のユニークな構成を作り上げました。 その結果, 合成医用画像の品質と有用性を高めるため, GANアンサンブルの能力を強調し, 診断モデリングなどの下流作業の有効性を向上させることができた。

関連論文リスト

• Latent Drifting in Diffusion Models for Counterfactual Medical Image Synthesis [55.959002385347645]
  大規模なデータセットのトレーニングによるスケーリングは、画像生成の品質と忠実度を高め、拡散モデルによる操作を可能にすることが示されている。 遅延ドリフトにより、医療画像に対して拡散モデルを条件付けし、反ファクト画像生成の複雑なタスクに適合させることができる。 本研究は,異なる微調整方式と組み合わせた場合,様々なシナリオにおいて顕著な性能向上を示すものである。
  論文  参考訳（メタデータ） (2024-12-30T01:59:34Z)
• Multi-resolution Guided 3D GANs for Medical Image Translation [6.299981733052469]
  医用画像の3次元翻訳のための多分解能ガイド付きGAN(Generative Adrial Network)ベースのフレームワークを提案する。 本フレームワークでは,ジェネレータとして3次元マルチ解像度Dense-Attention UNet(3D-mDAUNet),識別器として3次元マルチ解像度UNetを使用する。 提案手法は,様々な画像モダリティ,身体領域,年齢群にまたがる画像品質評価(IQA)において,その堅牢性を示す有望な結果をもたらす。
  論文  参考訳（メタデータ） (2024-11-30T20:11:55Z)
• Medical Imaging Complexity and its Effects on GAN Performance [1.776717121506676]
  医用医用画像合成は, 画像合成のための強力な手法として, GAN (Generative Adversarial Network) による医用画像合成が登場した。 サンプルデータセットサイズと生成された画像の忠実度との関係を計測するベンチマークを実験的に確立する。 サンプルサイズが変化する複数の医用画像データセットをトレーニングした,最先端の2つのGANであるStyleGAN 3とSPADE-GANを用いて実験を行った。
  論文  参考訳（メタデータ） (2024-10-23T15:28:25Z)
• QUBIQ: Uncertainty Quantification for Biomedical Image Segmentation Challenge [93.61262892578067]
  医用画像分割作業の不確実性、特にラター間変動性は重要な課題である。 この可変性は、自動セグメンテーションアルゴリズムの開発と評価に直接影響を及ぼす。 バイオメディカル画像量化チャレンジ(QUBIQ)における不確実性の定量化のベンチマーク結果を報告する。
  論文  参考訳（メタデータ） (2024-03-19T17:57:24Z)
• DiffBoost: Enhancing Medical Image Segmentation via Text-Guided Diffusion Model [3.890243179348094]
  医療応用のための堅牢で成功したディープラーニングモデルを開発するためには、大規模で大きな変動のある高品質なデータが不可欠である。 本稿では,DiffBoostと呼ばれる医用画像合成のための制御可能な拡散モデルを提案する。 近年の拡散確率モデルを利用して、現実的で多様な合成医用画像データを生成する。
  論文  参考訳（メタデータ） (2023-10-19T16:18:02Z)
• Generalizing Medical Image Representations via Quaternion Wavelet Networks [9.836302410524842]
  医用画像から健全な特徴を抽出できる,新しい,一般化可能な,データに依存しないフレームワークを提案する。 提案する4元ウェーブレットネットワーク(quaVE)は,既存の医用画像解析や合成作業と容易に統合できる。
  論文  参考訳（メタデータ） (2023-10-16T09:34:06Z)
• Ambiguous Medical Image Segmentation using Diffusion Models [60.378180265885945]
  我々は,グループ洞察の分布を学習することで,複数の可算出力を生成する単一拡散モデルに基づくアプローチを提案する。 提案モデルでは,拡散の固有のサンプリングプロセスを利用してセグメンテーションマスクの分布を生成する。 その結果,提案手法は既存の最先端曖昧なセグメンテーションネットワークよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2023-04-10T17:58:22Z)
• 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)
• Robust and Efficient Medical Imaging with Self-Supervision [80.62711706785834]
  医用画像AIの堅牢性とデータ効率を向上させるための統一表現学習戦略であるREMEDISを提案する。 様々な医療画像タスクを研究し, 振り返りデータを用いて3つの現実的な応用シナリオをシミュレートする。
  論文  参考訳（メタデータ） (2022-05-19T17:34:18Z)
• Hi-Net: Hybrid-fusion Network for Multi-modal MR Image Synthesis [143.55901940771568]
  マルチモーダルMR画像合成のためのHybrid-fusion Network(Hi-Net)を提案する。 当社のHi-Netでは,各モーダリティの表現を学習するために,モーダリティ特化ネットワークを用いている。 マルチモーダル合成ネットワークは、潜在表現と各モーダルの階層的特徴を密結合するように設計されている。
  論文  参考訳（メタデータ） (2020-02-11T08:26:42Z)
• MS-Net: Multi-Site Network for Improving Prostate Segmentation with Heterogeneous MRI Data [75.73881040581767]
  本稿では,ロバスト表現を学習し,前立腺のセグメンテーションを改善するための新しいマルチサイトネットワーク(MS-Net)を提案する。 当社のMS-Netは,すべてのデータセットのパフォーマンスを一貫して改善し,マルチサイト学習における最先端の手法よりも優れています。
  論文  参考訳（メタデータ） (2020-02-09T14:11:50Z)

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。