論文の概要: EAGT: Echocardiography Augmentation for Generalisability and Transferability

• arxiv url: http://arxiv.org/abs/2605.16427v1
• Date: Thu, 14 May 2026 16:30:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-19 17:57:46.394231
• Title: EAGT: Echocardiography Augmentation for Generalisability and Transferability
• Title（参考訳）: EAGT : 拡張型心エコー法
• Authors: Soroush Elyasi, Sara Adibzadeh, Nasim Dadashi Serej, Julie Wall, Massoud Zolgharni,
• Abstract要約: 心エコー法セグメンテーションのための深層学習モデルは、機関、スキャナー、患者集団をまたいだ一般化に苦慮することが多い。 データ拡張はディープラーニングモデルの堅牢性向上に広く利用されているが、データセット間の一般化性向上におけるその役割はいまだ十分に理解されていない。 本研究は, 2次元左室セグメンテーションにおける29データ拡張法とその組み合わせの大規模評価を行った。
• 参考スコア（独自算出の注目度）: 0.5219568203653523
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Deep learning models for echocardiography segmentation often struggle to generalise across institutions, scanners, and patient populations, where collecting large, consistently annotated datasets is infeasible. Data augmentation is widely used to improve the robustness of deep learning models; however, its role in enhancing cross-dataset generalisability in echocardiography remains insufficiently understood. This study presents a large-scale multi-dataset evaluation of 29 data augmentation techniques and their pairwise combinations for 2D left ventricular segmentation using a U-Net trained on Unity, CAMUS, and EchoNet Dynamic datasets. Each augmentation was explored under several hyperparameter settings and assessed through repeated runs using Dice and IoU in both in-domain and cross-dataset scenarios, with statistical significance quantified via independent t-tests. Results show that anatomically plausible geometric transformations, particularly affine, shift-scale-rotate, perspective, and random horizontal flip, substantially improve cross-dataset performance, whereas aggressive intensity- or artefact-based augmentations often degrade generalisability. Pairwise augmentation combinations outperform individual augmentations and show that moderate flip-centric combinations, especially random horizontal flip with affine, yield consistent gains across most transfer scenarios. These findings provide empirically grounded guidance for designing augmentation policies that enhance the robustness and transferability of echocardiography segmentation models.
• Abstract（参考訳）: エコー心電図セグメンテーションのためのディープラーニングモデルは、機関、スキャナー、患者集団をまたいだ一般化に苦慮することが多い。 データ拡張は深層学習モデルの堅牢性向上に広く用いられているが、心エコー図におけるデータセット間一般化性の向上におけるその役割はいまだ十分に理解されていない。 本研究では,Unity,CAMUS,EchoNet DynamicデータセットをトレーニングしたU-Netを用いて,29データ拡張手法と2次元左室セグメンテーションを併用した大規模マルチデータセットの評価を行った。 各拡張は、複数のハイパーパラメータ設定の下で探索され、ドメイン内およびデータセットのシナリオでDiceとIoUを使用して繰り返し実行され、独立したt-testによって統計的に定量化される。 その結果, 解剖学的に妥当な幾何変換, 特にアフィン, シフトスケールローテーション, パースペクティブ, ランダム水平フリップは, クロスデータセット性能を著しく向上する一方, 強い強度やアーチファクトに基づく拡張は, 一般的には低下することがわかった。 Pairwise augmentation combinations は個々の拡張よりも優れており、中程度のフリップ中心の組み合わせ、特にアフィンによるランダムな水平フリップは、ほとんどの移行シナリオで一貫した利得をもたらすことを示す。 これらの知見は心エコー区分けモデルの堅牢性と伝達性を高めるための拡張ポリシーを設計するための経験的根拠を与えるものである。

関連論文リスト

• Federated Learning for Cross-Modality Medical Image Segmentation via Augmentation-Driven Generalization [0.0]
  本研究では,各クライアントが単一モダリティデータ(CTまたはMRI)を保持する,現実的なFLシナリオについて考察する。 我々は、畳み込みに基づく空間拡張、周波数領域操作、ドメイン固有の正規化、および大域強度非線形(GIN)拡張を評価する。 当社のフェデレーションアプローチは、集中トレーニング精度の93～98%を達成し、データプライバシを損なうことなく、強力なモダリティの一般化を実証する。
  論文  参考訳（メタデータ） (2026-02-24T11:13:01Z)
• HypCBC: Domain-Invariant Hyperbolic Cross-Branch Consistency for Generalizable Medical Image Analysis [1.8747639074211104]
  医用画像解析における双曲表現学習の総合的検証について述べる。 我々は11の分布内データセットと3つのViTモデルに対して統計的に有意な利得を示した。 提案手法は,ドメイン不変性を促進し,平均2.1%のAUCで最先端のユークリッド法より優れる。
  論文  参考訳（メタデータ） (2026-02-03T08:50:24Z)
• Improving Deepfake Detection with Reinforcement Learning-Based Adaptive Data Augmentation [60.04281435591454]
  CRDA(Curriculum Reinforcement-Learning Data Augmentation)は、マルチドメインの偽造機能を段階的にマスターするための検出器を導く新しいフレームワークである。 私たちのアプローチの中心は、強化学習と因果推論を統合することです。 提案手法は検出器の一般化性を大幅に向上し,複数のクロスドメインデータセット間でSOTA法より優れている。
  論文  参考訳（メタデータ） (2025-11-10T12:45:52Z)
• Learning Divergence Fields for Shift-Robust Graph Representations [73.11818515795761]
  本研究では,相互依存データに対する問題に対して,学習可能な分散場を持つ幾何学的拡散モデルを提案する。 因果推論によって新たな学習目標が導出され、ドメイン間で無神経な相互依存の一般化可能なパターンを学習するためのモデルが導出される。
  論文  参考訳（メタデータ） (2024-06-07T14:29:21Z)
• 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)
• Understanding Augmentation-based Self-Supervised Representation Learning via RKHS Approximation and Regression [53.15502562048627]
  最近の研究は、自己教師付き学習とグラフラプラシアン作用素のトップ固有空間の近似との関係を構築している。 この研究は、増強に基づく事前訓練の統計的分析に発展する。
  論文  参考訳（メタデータ） (2023-06-01T15:18:55Z)
• Implicit Counterfactual Data Augmentation for Robust Learning [24.795542869249154]
  本研究では, 突発的相関を除去し, 安定した予測を行うために, インプリシト・カウンセショナル・データ拡張法を提案する。 画像とテキストのデータセットをカバーする様々なバイアス付き学習シナリオで実験が行われてきた。
  論文  参考訳（メタデータ） (2023-04-26T10:36:40Z)
• Bootstrapping Your Own Positive Sample: Contrastive Learning With Electronic Health Record Data [62.29031007761901]
  本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。 EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。 私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
  論文  参考訳（メタデータ） (2021-04-07T06:02:04Z)
• Adversarial Feature Augmentation and Normalization for Visual Recognition [109.6834687220478]
  最近のコンピュータビジョンの進歩は、分類モデルの一般化能力を改善するために、逆データ拡張を利用する。 本稿では,中間的特徴埋め込みにおける敵対的拡張を提唱する効率的かつ効率的な代替手法を提案する。 代表的なバックボーンネットワークを用いて,多様な視覚認識タスクにまたがる提案手法を検証する。
  論文  参考訳（メタデータ） (2021-03-22T20:36:34Z)

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。