論文の概要: Efficacy of Image Similarity as a Metric for Augmenting Small Dataset Retinal Image Segmentation

• arxiv url: http://arxiv.org/abs/2507.04862v1
• Date: Mon, 07 Jul 2025 10:38:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-08 15:46:35.382386
• Title: Efficacy of Image Similarity as a Metric for Augmenting Small Dataset Retinal Image Segmentation
• Title（参考訳）: 小型網膜画像分割のためのメートル法としての画像類似性の有用性
• Authors: Thomas Wallace, Ik Siong Heng, Senad Subasic, Chris Messenger,
• Abstract要約: 合成画像の品質を評価するための一般的な指標は、2つの画像データセットの類似度を測定するFr'echet Inception Distance (FID)である。 本研究は, 標準画像と合成画像との強化動作が, 従来実施されていた実験と一致していることを示す。 トレーニングと増分データセットの間のFIDが減少するにつれて、増分データセットは画像セグメンテーションの重要かつ堅牢な改善に寄与することが示されている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Synthetic images are an option for augmenting limited medical imaging datasets to improve the performance of various machine learning models. A common metric for evaluating synthetic image quality is the Fr\'echet Inception Distance (FID) which measures the similarity of two image datasets. In this study we evaluate the relationship between this metric and the improvement which synthetic images, generated by a Progressively Growing Generative Adversarial Network (PGGAN), grant when augmenting Diabetes-related Macular Edema (DME) intraretinal fluid segmentation performed by a U-Net model with limited amounts of training data. We find that the behaviour of augmenting with standard and synthetic images agrees with previously conducted experiments. Additionally, we show that dissimilar (high FID) datasets do not improve segmentation significantly. As FID between the training and augmenting datasets decreases, the augmentation datasets are shown to contribute to significant and robust improvements in image segmentation. Finally, we find that there is significant evidence to suggest that synthetic and standard augmentations follow separate log-normal trends between FID and improvements in model performance, with synthetic data proving more effective than standard augmentation techniques. Our findings show that more similar datasets (lower FID) will be more effective at improving U-Net performance, however, the results also suggest that this improvement may only occur when images are sufficiently dissimilar.
• Abstract（参考訳）: 合成画像は、限られた医療画像データセットを拡張して、さまざまな機械学習モデルの性能を改善するオプションである。 合成画像の品質を評価するための一般的な指標は、2つの画像データセットの類似度を測定するFr\echet Inception Distance (FID)である。 本研究では, 糖尿病関連黄斑浮腫 (DME) による網膜内液分画を, U-Net モデルで限られたトレーニングデータ量で拡張した場合に, PGGAN (Progressively Growing Generative Adversarial Network) が生成した合成画像と合成画像の関係について検討した。 標準画像と合成画像との強化動作は, 従来実施されていた実験と一致していることがわかった。 さらに、異種(高いFID)データセットはセグメンテーションを著しく改善しないことを示す。 トレーニングと増分データセットの間のFIDが減少するにつれて、増分データセットは画像セグメンテーションの重要かつ堅牢な改善に寄与することが示されている。 最後に,FIDとモデル性能の改善の間には,合成データと標準データとの対数正規化の傾向が相違していることが示唆された。 以上の結果から,より類似したデータセット(より低いFID)がU-Netの性能向上に有効であることが示唆された。

関連論文リスト

• Transesophageal Echocardiography Generation using Anatomical Models [0.5679566039341877]
  合成TEE画像と対応するセマンティックラベルを生成するパイプラインを開発する。 In the pipeline's unpaired image-to-image (I2I) translation section, we explore two generative methods。 合成画像を用いてデータセットを拡大すると、ダイススコアが最大10%向上する。
  論文  参考訳（メタデータ） (2024-10-09T11:20:28Z)
• Introducing SDICE: An Index for Assessing Diversity of Synthetic Medical Datasets [3.9539878659683363]
  コントラストエンコーダによって誘導される類似度分布の特性に基づくSDICEインデックスを提案する。 合成データセットと実画像の参照データセットが与えられた場合、SDICEインデックスは、原画像と合成画像の類似度スコア分布間の距離を測定する。 MIMIC-chest X-rayデータセットとImageNetデータセットで実施された実験は、SDICEインデックスの有効性を示した。
  論文  参考訳（メタデータ） (2024-09-28T18:47:17Z)
• Is Synthetic Image Useful for Transfer Learning? An Investigation into Data Generation, Volume, and Utilization [62.157627519792946]
  ブリッジドトランスファー(ブリッジドトランスファー)と呼ばれる新しいフレームワークを導入する。このフレームワークは、当初、トレーニング済みモデルの微調整に合成画像を使用し、転送性を向上させる。 合成画像と実画像のスタイルアライメントを改善するために,データセットスタイルの逆変換方式を提案する。 提案手法は10の異なるデータセットと5つの異なるモデルで評価され、一貫した改善が示されている。
  論文  参考訳（メタデータ） (2024-03-28T22:25:05Z)
• Deep Domain Adaptation: A Sim2Real Neural Approach for Improving Eye-Tracking Systems [80.62854148838359]
  眼球画像のセグメンテーションは、最終視線推定に大きな影響を及ぼす眼球追跡の重要なステップである。 対象視線画像と合成訓練データとの重なり合いを測定するために,次元還元法を用いている。 提案手法は,シミュレーションと実世界のデータサンプルの相違に対処する際の頑健で,性能が向上する。
  論文  参考訳（メタデータ） (2024-03-23T22:32:06Z)
• Improving the Effectiveness of Deep Generative Data [5.856292656853396]
  下流の画像処理タスクのための純粋合成画像のモデルを訓練すると、実際のデータに対するトレーニングに比べ、望ましくない性能低下が生じる。 本稿では,この現象に寄与する要因を記述した新しい分類法を提案し,CIFAR-10データセットを用いて検討する。 本手法は,合成データと合成データの混合による学習と合成データのみの学習において,下流分類タスクのベースラインに優れる。
  論文  参考訳（メタデータ） (2023-11-07T12:57:58Z)
• UAV-Sim: NeRF-based Synthetic Data Generation for UAV-based Perception [62.71374902455154]
  ニューラルレンダリングの最近の進歩を利用して、静的および動的ノベルビューUAVベースの画像レンダリングを改善する。 本研究では,主に実データと合成データのハイブリッドセットに基づいて最先端検出モデルが最適化された場合,性能が大幅に向上することを示す。
  論文  参考訳（メタデータ） (2023-10-25T00:20:37Z)
• Negligible effect of brain MRI data preprocessing for tumor segmentation [36.89606202543839]
  我々は3つの公開データセットの実験を行い、ディープニューラルネットワークにおける異なる前処理ステップの効果を評価する。 その結果、最も一般的な標準化手順は、ネットワーク性能に何の価値も与えないことが示されている。 画像の規格化に伴う信号分散の低減のため,画像強度正規化手法はモデル精度に寄与しない。
  論文  参考訳（メタデータ） (2022-04-11T17:29:36Z)
• Enhancing MR Image Segmentation with Realistic Adversarial Data Augmentation [17.539828821476224]
  本稿では,学習データの利用効率を向上させるために,逆データ拡張手法を提案する。 本稿では,データ拡張モデルとセグメンテーションネットワークを協調的に最適化する汎用的なタスク駆動学習フレームワークを提案する。 提案した逆データ拡張は生成ネットワークに依存しず,汎用セグメンテーションネットワークのプラグインモジュールとして使用できる。
  論文  参考訳（メタデータ） (2021-08-07T11:32:37Z)
• 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。