論文の概要: Does DCGAN-Based Synthetic Augmentation Improve Brain Tumor MRI Classification? An Empirical Study
- arxiv url: http://arxiv.org/abs/2609.28508v1
- Date: Sun, 20 Sep 2026 11:42:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-25 21:10:09.374544
- Title: Does DCGAN-Based Synthetic Augmentation Improve Brain Tumor MRI Classification? An Empirical Study
- Title（参考訳）: DCGANによる合成増強は脳腫瘍のMRI分類を改善するか? : 実証的研究
- Abstract要約: GAN(Generative Adversarial Network)は、医療画像データセットの増強にますます利用されている。
本研究は,分類器と評価セットが一定に保たれた場合に,クラス特異的増強が脳腫瘍の分類を改善するかどうかを検討する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Generative adversarial networks (GANs) are increasingly used to augment medical imaging datasets, but synthetic images do not necessarily provide downstream classification benefits. This study investigates whether class-specific Deep Convolutional Generative Adversarial Network (DCGAN) augmentation improves brain tumor classification when the classifier and evaluation set are held constant. Experiments were conducted on 7,200 brain magnetic resonance imaging (MRI) scans across four classes: glioma, meningioma, pituitary tumor, and no tumor. For each class, 1,400 real images were used for training and 400 were reserved for testing. A baseline Swin Transformer classifier was trained using only the real training images and compared with a second model trained using the same real images augmented with 500 DCGAN-generated images per class. Both conditions were evaluated on the identical held-out test set. The two models achieved the same overall accuracy of 96%, while macro F1 remained effectively unchanged and ROC-AUC decreased slightly from 0.987 to 0.982 after augmentation. Class-level analysis showed small redistributions in errors rather than a consistent performance gain. FID values between real and synthetic images ranged from 209.15 to 314.27, indicating substantial distributional differences under the adopted evaluation setup. These results suggest that synthetic augmentation should not be assumed to improve medical image classification and should instead be evaluated for both distributional fidelity and downstream task utility.
- Abstract（参考訳）: 医用画像データセットの増大にはGAN(Generative Adversarial Network)がますます利用されているが、合成画像は必ずしも下流分類の利点を提供するとは限らない。
本研究では,クラス固有のDeep Convolutional Generative Adversarial Network (DCGAN)の増大が,分類器と評価セットを一定に保った場合に脳腫瘍の分類を改善するかを検討する。
実験は、グリオーマ、髄膜腫、下垂体腫瘍、腫瘍の4つのクラスで7,200個の脳MRIスキャンを行った。
各クラスごとに1,400枚の実画像がトレーニングに使われ、400枚の画像がテスト用に予約された。
ベースラインのSwin Transformer分類器は、実際の訓練画像のみを用いて訓練され、クラス毎に500DCGAN生成画像で強化された同じ実画像を用いてトレーニングされた第2のモデルと比較された。
両条件は同一のホールドアウト試験セットで評価した。
2つのモデルは同じ精度の96%を達成し、マクロF1は実質的に変化せず、ROC-AUCは増量後の0.987から0.982にわずかに減少した。
クラスレベルの分析では、一貫したパフォーマンス向上ではなく、エラーの再分配が小さくなった。
実画像と合成画像のFID値は209.15から314.27の範囲で、適用された評価設定の下ではかなりの分布差を示した。
これらの結果は, 医用画像の分類を改善するために合成増強を仮定すべきではなく, 分散忠実度と下流タスクユーティリティの両方で評価すべきであることを示唆している。
関連論文リスト
- Do Synthetic Brain MRIs Reliably Improve Tumour Classification? A StyleGAN2-ADA Class-Plane Augmentation Study on BRISC 2025 [0.0]
ここでの増補とは、既存の画像の幾何学的・測光的変換ではなく、合成補足を意味する。
スタイルGAN2-ADA ジェネレータは制限された BRISC 2025 パーティションでトレーニングされ、InceptionV3 の特徴空間フィルタリングによる出力がホールドアウト腫瘍の分類を改善した。
論文 参考訳（メタデータ） (2026-05-21T23:02:14Z) - Proportional Sensitivity in Generative Adversarial Network (GAN)-Augmented Brain Tumor Classification Using Convolutional Neural Network [2.1669753476462015]
Generative Adversarial Networks (GAN)は、限られた医療画像データセットを拡張する可能性を示している。
本研究では,GAN生成画像と実際の脳腫瘍MRI画像の異なる比率が,健康スキャンと腫瘍スキャンの分類においてCNNのパフォーマンスに与える影響について検討した。
論文 参考訳（メタデータ） (2025-06-20T17:12:03Z) - Subclass Classification of Gliomas Using MRI Fusion Technique [0.0]
原発性脳腫瘍であるグリオーマは、様々な攻撃性レベルと予後を示す。
本研究の目的は,T1,T2,T1ce,および流体減衰インバージョン回復シーケンスからMRI画像を融合するアルゴリズムを開発することである。
提案手法は精度99.25%、精度99.30%、リコール99.10、F1スコア99.19%、インターセクションオーバーユニオン84.49%、特異度99.76を達成している。
論文 参考訳（メタデータ） (2025-02-26T03:10:33Z) - Performance of GAN-based augmentation for deep learning COVID-19 image
classification [57.1795052451257]
ディープラーニングを医療分野に適用する上で最大の課題は、トレーニングデータの提供である。
データ拡張は、限られたデータセットに直面した時に機械学習で使用される典型的な方法論である。
本研究は, 新型コロナウイルスの胸部X線画像セットを限定して, StyleGAN2-ADAモデルを用いて訓練するものである。
論文 参考訳（メタデータ） (2023-04-18T15:39:58Z) - Automated SSIM Regression for Detection and Quantification of Motion
Artefacts in Brain MR Images [54.739076152240024]
磁気共鳴脳画像における運動アーチファクトは重要な問題である。
MR画像の画質評価は,臨床診断に先立って基本的である。
構造類似度指数(SSIM)回帰に基づく自動画像品質評価法が提案されている。
論文 参考訳（メタデータ） (2022-06-14T10:16:54Z) - Harmonizing Pathological and Normal Pixels for Pseudo-healthy Synthesis [68.5287824124996]
そこで本研究では,新しいタイプの識別器であるセグメンタを提案し,病変の正確な特定と擬似健康画像の視覚的品質の向上を図っている。
医用画像強調に生成画像を適用し,低コントラスト問題に対処するために拡張結果を利用する。
BraTSのT2モダリティに関する総合的な実験により、提案手法は最先端の手法よりも大幅に優れていることが示された。
論文 参考訳（メタデータ） (2022-03-29T08:41:17Z) - Vision Transformers for femur fracture classification [59.99241204074268]
Vision Transformer (ViT) はテスト画像の83%を正確に予測することができた。
史上最大かつ最もリッチなデータセットを持つサブフラクチャーで良い結果が得られた。
論文 参考訳（メタデータ） (2021-08-07T10:12:42Z) - Comparison of different CNNs for breast tumor classification from
ultrasound images [12.98780709853981]
超音波画像から良性腫瘍と悪性腫瘍を分類することは重要であるが困難な課題である。
乳腺腫瘍自動分類の課題として,様々な畳み込みニューラルネットワーク(cnns)と転送学習法を比較した。
最高の性能は、精度0.919とauc0.934のvgg-16の微調整によって得られた。
論文 参考訳（メタデータ） (2020-12-28T22:54:08Z) - Classification of COVID-19 in CT Scans using Multi-Source Transfer
Learning [91.3755431537592]
我々は,従来のトランスファー学習の改良にマルチソース・トランスファー・ラーニングを応用して,CTスキャンによる新型コロナウイルスの分類を提案する。
マルチソースファインチューニングアプローチでは、ImageNetで微調整されたベースラインモデルよりも優れています。
我々の最高のパフォーマンスモデルは、0.893の精度と0.897のリコールスコアを達成でき、ベースラインのリコールスコアを9.3%上回った。
論文 参考訳（メタデータ） (2020-09-22T11:53:06Z) - Multimodal brain tumor classification [4.984601297028256]
本研究では,全スライド画像と磁気共鳴画像を組み合わせて腫瘍を分類する深層学習手法について検討する。
特に、私たちのソリューションは、スライド画像の分類全体のための強力で汎用的でモジュラーなアーキテクチャで構成されています。
2020年の計算精度医学の課題に先んじて実験が実施されている。
論文 参考訳（メタデータ） (2020-09-03T11:41:50Z)
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。