論文の概要: Beyond Data Scarcity Optimizing R3GAN for Medical Image Generation from Small Datasets

• arxiv url: http://arxiv.org/abs/2510.26828v2
• Date: Mon, 10 Nov 2025 13:23:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-11 14:56:00.361178
• Title: Beyond Data Scarcity Optimizing R3GAN for Medical Image Generation from Small Datasets
• Title（参考訳）: 小型データセットからの医用画像生成のためのR3GANの最適化
• 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,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 datasets frequently exhibit significant class imbalance, a challenge that is further amplified by the inherently limited sample sizes that characterize clinical imaging data. 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 to 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 the three-cell (t3) class increased from 0.06 to 0.69 and from 0.11 to 0.60, respectively, without compromising the performance of 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）: 医用画像データセットは、しばしば重要なクラス不均衡を示すが、これは、臨床画像データの特徴を特徴付ける、本質的に制限されたサンプルサイズによってさらに増幅される課題である。 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、現実的で診断学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低ガンマレンジ(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。 3つのセル(t3)クラスのリコールとF1スコアはそれぞれ0.06から0.69から0.11から0.60へと増加し、他のクラスのパフォーマンスを損なうことはなかった。 これらの結果から,R3GANトレーニング戦略は,小型医療画像タスクにおけるデータ不足を効果的に軽減し,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)
• Adapting HFMCA to Graph Data: Self-Supervised Learning for Generalizable fMRI Representations [57.054499278843856]
  機能的磁気共鳴画像(fMRI)解析は、データセットのサイズが限られ、研究間でのドメインの変動が原因で大きな課題に直面している。 コンピュータビジョンにインスパイアされた従来の自己教師付き学習手法は、正と負のサンプルペアに依存することが多い。 本稿では,最近開発された階層関数最大相関アルゴリズム(HFMCA)をグラフ構造fMRIデータに適用することを提案する。
  論文  参考訳（メタデータ） (2025-10-05T12:35:01Z)
• Enhancing Small-Scale Dataset Expansion with Triplet-Connection-based Sample Re-Weighting [33.69942307190522]
  制御不能な生成プロセスと自然言語のあいまいさのため、ノイズの多い画像を生成することができる。 再重み付けは、このようなノイズの多い画像に低重みを割り当てることによってこの問題に対処する効果的な方法である。 本稿では,3重結合型サンプル再重み付け手法であるTriReWeightを開発した。
  論文  参考訳（メタデータ） (2025-08-11T07:50:47Z)
• 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)
• Local Lesion Generation is Effective for Capsule Endoscopy Image Data Augmentation in a Limited Data Setting [0.0]
  そこで我々は, 局所病変生成手法を2つ提案し, 小型医用画像データセットの増大に対処する。 最初のアプローチでは、古典的な画像処理技術であるPoisson Image Editingアルゴリズムを使用して、リアルな画像合成を生成する。 第2のアプローチでは、微調整されたイメージインペインティングGANを利用して、現実的な病変を合成する新しい生成手法を導入している。
  論文  参考訳（メタデータ） (2024-11-05T13:44:25Z)
• 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)
• Leveraging Neural Radiance Fields for Uncertainty-Aware Visual Localization [56.95046107046027]
  我々は,Neural Radiance Fields (NeRF) を用いてシーン座標回帰のためのトレーニングサンプルを生成することを提案する。 レンダリングにおけるNeRFの効率にもかかわらず、レンダリングされたデータの多くはアーティファクトによって汚染されるか、最小限の情報ゲインしか含まない。
  論文  参考訳（メタデータ） (2023-10-10T20:11:13Z)
• 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)
• LVM-Med: Learning Large-Scale Self-Supervised Vision Models for Medical Imaging via Second-order Graph Matching [59.01894976615714]
  LVM-Medは、大規模医療データセットに基づいてトレーニングされた、最初のディープネットワークファミリーである。 55の公開データセットから約13万の医療画像を収集しました。 LVM-Medは、多くの最先端の教師付き、自己監督型、基礎モデルよりも経験的に優れている。
  論文  参考訳（メタデータ） (2023-06-20T22:21:34Z)
• Vision-Language Modelling For Radiological Imaging and Reports In The Low Data Regime [70.04389979779195]
  本稿では,視覚および言語入力を共通空間に埋め込んだ医用視覚言語モデル(VLM)について検討する。 本稿では,新しい画像領域やテキスト領域への汎用事前学習モデルの適用など,低データ性能向上のためのいくつかの候補手法について検討する。 テキスト・ツー・イメージ検索をベンチマークとして,2つの胸部X線および放射線学的報告を用いた可変サイズのトレーニングデータセットを用いて,これらの手法の性能評価を行った。
  論文  参考訳（メタデータ） (2023-03-30T18:20:00Z)
• 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)
• Synthetic Magnetic Resonance Images with Generative Adversarial Networks [0.0]
  本研究では,新しい脳MRIを生成するために,異なる損失関数を持つ3つのGANアーキテクチャを実験した。 その結果、高次パラメータチューニングの重要性と、識別器におけるミニバッチ類似層と、損失関数における勾配ペナルティを用いて、高品質で現実主義的な収束を実現することが示唆された。
  論文  参考訳（メタデータ） (2020-01-17T11:00:32Z)

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。