論文の概要: T-SYNTH: A Knowledge-Based Dataset of Synthetic Breast Images

• arxiv url: http://arxiv.org/abs/2507.04038v1
• Date: Sat, 05 Jul 2025 13:35:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-08 15:46:34.988628
• Title: T-SYNTH: A Knowledge-Based Dataset of Synthetic Breast Images
• Title（参考訳）: T-SYNTH:合成乳房画像の知識ベースデータセット
• Authors: Christopher Wiedeman, Anastasiia Sarmakeeva, Elena Sizikova, Daniil Filienko, Miguel Lago, Jana G. Delfino, Aldo Badano,
• Abstract要約: 物理シミュレーションを用いて画素レベルのセグメンテーションアノテーションを用いた合成画像を生成する。 2Dデジタルマンモグラフィー(DM)と3Dデジタル乳房トモシンセシス(DBT)画像の大規模オープンソースデータセットであるT-SYNTHをリリースする。
• 参考スコア（独自算出の注目度）: 1.4663160192230174
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: One of the key impediments for developing and assessing robust medical imaging algorithms is limited access to large-scale datasets with suitable annotations. Synthetic data generated with plausible physical and biological constraints may address some of these data limitations. We propose the use of physics simulations to generate synthetic images with pixel-level segmentation annotations, which are notoriously difficult to obtain. Specifically, we apply this approach to breast imaging analysis and release T-SYNTH, a large-scale open-source dataset of paired 2D digital mammography (DM) and 3D digital breast tomosynthesis (DBT) images. Our initial experimental results indicate that T-SYNTH images show promise for augmenting limited real patient datasets for detection tasks in DM and DBT. Our data and code are publicly available at https://github.com/DIDSR/tsynth-release.
• Abstract（参考訳）: 堅牢な医用画像アルゴリズムの開発と評価における重要な障害の1つは、適切なアノテーションを持つ大規模データセットへのアクセス制限である。 妥当な物理的および生物学的制約で生成された合成データは、これらのデータ制限のいくつかに対処することができる。 本稿では,画素レベルのセグメンテーションアノテーションを用いた合成画像の生成に物理シミュレーションを用いることを提案する。 具体的には,2Dデジタルマンモグラフィー(DM)と3Dデジタル乳房トモシンセシス(DBT)画像の大規模オープンソースデータセットであるT-SYNTHを乳房画像解析に応用する。 最初の実験結果から,T-SYNTH画像は,DMおよびDBTにおける検出タスクに対して,限られた実際の患者データセットを拡張できることが示唆された。 我々のデータとコードはhttps://github.com/DIDSR/tsynth-release.comで公開されています。

関連論文リスト

• Diffusion Model-based Data Augmentation Method for Fetal Head Ultrasound Segmentation [1.188383832081829]
  生成AI(GenAI)は現実的な合成画像の作成に有効であることが証明されている。 本研究は, 合成胎児頭部超音波画像を生成するためのマスク誘導型GenAIアプローチを提案する。 その結果,合成データは実画像の特徴を効果的に捉えていることがわかった。
  論文  参考訳（メタデータ） (2025-06-30T09:40:12Z)
• MRGen: Segmentation Data Engine For Underrepresented MRI Modalities [59.61465292965639]
  稀ながら臨床的に重要な画像モダリティのための医用画像分割モデルの訓練は、注釈付きデータの不足により困難である。 本稿では、生成モデルを利用してトレーニングデータを合成し、未表現のモダリティに対するセグメンテーションモデルを訓練する。
  論文  参考訳（メタデータ） (2024-12-04T16:34:22Z)
• Generative Enhancement for 3D Medical Images [74.17066529847546]
  本稿では,3次元医用画像合成の新しい生成手法であるGEM-3Dを提案する。 本手法は2次元スライスから始まり,3次元スライスマスクを用いて患者に提供するための情報スライスとして機能し,生成過程を伝搬する。 3D医療画像をマスクと患者の事前情報に分解することで、GEM-3Dは多目的な3D画像を生成する柔軟な、かつ効果的なソリューションを提供する。
  論文  参考訳（メタデータ） (2024-03-19T15:57:04Z)
• M3Dsynth: A dataset of medical 3D images with AI-generated local manipulations [10.20962191915879]
  M3DsynthはCT(Computed Tomography)肺画像の大規模なデータセットである。 実際のCTで肺がん結節を注入または除去することにより,操作画像を作成する。 実験の結果、これらの画像は簡単に自動診断ツールを騙すことが判明した。
  論文  参考訳（メタデータ） (2023-09-14T18:16:58Z)
• Mask-conditioned latent diffusion for generating gastrointestinal polyp images [2.027538200191349]
  本研究では,与えられたセグメンテーションマスクに条件付き合成GIポリプ画像を生成する条件付きDPMフレームワークを提案する。 本システムでは,ポリプの接地真実マスクを用いて,無限個の高忠実度合成ポリプ画像を生成することができる。 以上の結果から,実データと合成データの両方からなるトレーニングデータから,DeepLabv3+から0.7751の最適マイクロイモージョンIOUが得られた。
  論文  参考訳（メタデータ） (2023-04-11T14:11:17Z)
• Data-driven generation of plausible tissue geometries for realistic photoacoustic image synthesis [53.65837038435433]
  光音響トモグラフィ(pat)は形態的および機能的組織特性を回復する可能性がある。 我々は,PATデータシミュレーションの新たなアプローチを提案し,これを「シミュレーションの学習」と呼ぶ。 我々は、意味的注釈付き医療画像データに基づいて訓練されたGAN(Generative Adversarial Networks)の概念を活用して、可塑性組織ジオメトリを生成する。
  論文  参考訳（メタデータ） (2021-03-29T11:30:18Z)
• Fed-Sim: Federated Simulation for Medical Imaging [131.56325440976207]
  本稿では、2つの学習可能なニューラルモジュールからなる物理駆動型生成手法を提案する。 データ合成フレームワークは、複数のデータセットの下流セグメンテーション性能を改善する。
  論文  参考訳（メタデータ） (2020-09-01T19:17:46Z)
• 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。