論文の概要: R3GAN-based Optimal Strategy for Augmenting Small Medical Dataset

• arxiv url: http://arxiv.org/abs/2510.26828v1
• Date: Wed, 29 Oct 2025 13:03:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-03 17:52:15.853583
• Title: R3GAN-based Optimal Strategy for Augmenting Small Medical Dataset
• Title（参考訳）: R3GANを用いた小容量医療データ拡張のための最適戦略
• Authors: Tsung-Wei Pan, Chang-Hong Wu, Jung-Hua Wang, Ming-Jer Chen, Yu-Chiao Yi, Tsung-Hsien Lee,
• Abstract要約: 本研究では,GAN(Generative Adversarial Network)を小さなデータセットに最適化して意味のある画像を生成する方法について検討する。 R3GANによる体系的な実験に基づいて,効率的なトレーニング戦略を確立し,256x256解像度データセットの最適化構成を設計した。 生成したサンプルは、不均衡な胚のデータセットのバランスをとるために使用され、分類性能が大幅に向上した。
• 参考スコア（独自算出の注目度）: 0.044780965967547055
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Medical image analysis often suffers from data scarcity and class imbalance, limiting the effectiveness of deep learning models in clinical applications. Using human embryo time-lapse imaging (TLI) as a case study, this work investigates how generative adversarial networks (GANs) can be optimized for small datasets to generate realistic and diagnostically meaningful images. Based on systematic experiments with R3GAN, we established effective training strategies and designed an optimized configuration for 256x256-resolution datasets, featuring a full burn-in phase and a low, gradually increasing gamma range (5 -> 40). The generated samples were used to balance an imbalanced embryo dataset, leading to substantial improvement in classification performance. The recall and F1-score of t3 increased from 0.06 to 0.69 and 0.11 to 0.60, respectively, without compromising other classes. These results demonstrate that tailored R3GAN training strategies can effectively alleviate data scarcity and improve model robustness in small-scale medical imaging tasks.
• Abstract（参考訳）: 医用画像解析は、しばしばデータ不足とクラス不均衡に悩まされ、臨床応用におけるディープラーニングモデルの有効性が制限される。 本研究は,ヒト胚の時間ラプスイメージング(TLI)を事例として,GAN(Generative Adversarial Network)を小さなデータセットに最適化し,現実的かつ診断的に意味のある画像を生成する方法について検討する。 R3GANを用いた系統的な実験に基づいて, 256x256解像度データセットの効率的なトレーニング戦略を確立し, フルバーンインフェーズと, 徐々に増加するガンマ範囲(5～40)を特徴とする最適化構成を設計した。 生成したサンプルは、不均衡な胚のデータセットのバランスをとるために使用され、分類性能が大幅に向上した。 t3のリコールとF1スコアはそれぞれ0.06から0.69に増加し、0.11から0.60に増加した。 以上の結果から,R3GANのトレーニング戦略がデータ不足を効果的に軽減し,小型の医用画像処理タスクにおけるモデルロバスト性を向上させることが示唆された。

関連論文リスト

• CURVETE: Curriculum Learning and Progressive Self-supervised Training for Medical Image Classification [1.8352113484137627]
  本稿では,Curriculum Learning and Progressive Self-supervised Training(CURVETE)という,新しい深層畳み込みニューラルネットワークを提案する。 CurVETEは、限られたサンプルに関する課題に対処し、モデルの一般化性を高め、全体的な分類性能を向上させる。 これを実現するために, 一般的な未学習サンプルの学習中に, サンプル分解の粒度に基づいてカリキュラム学習戦略を適用する。
  論文  参考訳（メタデータ） (2025-10-27T15:46:02Z)
• Transfer Learning with EfficientNet for Accurate Leukemia Cell Classification [1.5939351525664014]
  本研究では,事前訓練された畳み込みニューラルネットワーク(CNN)を用いた伝達学習を用いて診断性能を向上させることを目的とした。 1クラスあたり1万枚の画像のバランスのとれたトレーニングセットを作成するために、広範なデータ拡張手法を適用した。 効率の良いNet-B3は94.30%のF1スコア、92.02%の精度、AUCof94.79%で最高の結果を得た。
  論文  参考訳（メタデータ） (2025-08-04T03:19:00Z)
• Improving Heart Rejection Detection in XPCI Images Using Synthetic Data Augmentation [0.0]
  StyleGANは利用可能な3Rバイオプシーパッチで訓練され、その後、1万のリアルな合成画像を生成するために使用された。 これらは、ResNet-18分類器をバイナリーリジェクション分類のために訓練するための様々な構成において、レジェクション無しのサンプルである実際の0Rサンプルと組み合わせられた。 その結果, 実検体と組み合わせて使用する場合, 合成データにより分類性能が向上することが示唆された。
  論文  参考訳（メタデータ） (2025-05-26T09:26:36Z)
• Less is More: Selective Reduction of CT Data for Self-Supervised Pre-Training of Deep Learning Models with Contrastive Learning Improves Downstream Classification Performance [7.945551345449388]
  現在の知見は、医用画像における対照的な事前トレーニングの可能性を示している。 医用画像の類似性は、医用画像領域における対照的な学習の成功を妨げていると仮定する。 医療用事前学習データセットの冗長性を同定・低減するために, 深層埋め込み, 情報理論, ハッシュに基づく様々な戦略を検討する。
  論文  参考訳（メタデータ） (2024-10-18T15:08:05Z)
• GDeR: Safeguarding Efficiency, Balancing, and Robustness via Prototypical Graph Pruning [44.401418612374286]
  トレーニング可能なプロトタイプを用いて,プロセス中のトレーニングを更新するための新しいソフトプルーニング手法であるGDeRを導入する。 GDeRは、トレーニングサンプルの30%削減で、完全なデータセットのパフォーマンスを達成または上回る。 また、不均衡なトレーニングやノイズの多いトレーニングシナリオにおいて、最先端のプルーニング手法よりも優れています。
  論文  参考訳（メタデータ） (2024-10-17T16:56:01Z)
• The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease detection [51.697248252191265]
  この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。 我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。 このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
  論文  参考訳（メタデータ） (2023-09-13T10:40:41Z)
• Significantly improving zero-shot X-ray pathology classification via fine-tuning pre-trained image-text encoders [50.689585476660554]
  本稿では,正対損失緩和とランダムな文サンプリングを含む新たな微調整手法を提案する。 提案手法は,胸部X線データセットと3つの事前訓練モデル間のゼロショット病理分類を一貫して改善する。
  論文  参考訳（メタデータ） (2022-12-14T06:04:18Z)
• A self-supervised learning strategy for postoperative brain cavity segmentation simulating resections [46.414990784180546]
  畳み込みニューラルネットワーク(CNN)は最先端の画像セグメンテーション技術である。 CNNはトレーニングに大量の注釈付きデータセットを必要とする。 自己教師型学習戦略は、トレーニングにラベルのないデータを活用することができる。
  論文  参考訳（メタデータ） (2021-05-24T12:27:06Z)
• Deep Implicit Statistical Shape Models for 3D Medical Image Delineation [47.78425002879612]
  解剖学的構造の3次元デライン化は、医用画像解析の基本的な目標である。 ディープラーニング以前は、解剖学的制約を課し高品質の表面を作り出す統計的形状モデルはコア技術だった。 我々は,CNNの表現力とSSMの頑健さを合体させるデライン化の新しい手法であるディープ暗黙的統計的形状モデル(DISSMs)を提案する。
  論文  参考訳（メタデータ） (2021-04-07T01:15:06Z)

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。