結腸鏡検査病変分類を改善するためのデータ増強のためのGAN反転【JST・京大機械翻訳】

Golhar Mayank; Bobrow Taylor L.; Ngamruengphong Saowanee; Durr Nicholas J.

プレプリント

J-GLOBAL ID：202202207228696135 整理番号：22P0344985

結腸鏡検査病変分類を改善するためのデータ増強のためのGAN反転【JST・京大機械翻訳】

GAN Inversion for Data Augmentation to Improve Colonoscopy Lesion Classification

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (4件)： , , ,
資料名：
発行年： 2022年05月04日プレプリントサーバーでの情報更新日： 2022年05月04日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

医学イメージングへの深層学習の適用における大きな課題は,注釈付きデータの不足である。本研究は,Generative Adversarial Network(GAN)反転により生成された合成結腸鏡検査画像が,深層学習モデルの病変分類性能を改善するための訓練データとして使用できることを示した。このアプローチは,同じラベルを持つ画像の対を意味的に豊富で,もつれない潜在空間に反転させ,潜在表現を操作して,同じラベルを持つ新しい合成画像を生成する。白色光と狭帯域イメージング(NBI)の間の画像モダリティ変換(スタイル転送)を行った。また,訓練データセットにおける病変形状の多様性を増すために,元の訓練画像間の補間により,現実的に見える合成病変画像を生成する。これらの手法は,多重生成モデルを再訓練する必要がなく,比較結腸鏡検査データ増強技術より優れていることを示した。この手法はまた,特定の結腸鏡検査下流タスクのために設計されていないデータセットからの情報を利用する。E.g.は,ポリープ分類タスクのための腸プレップ等級づけデータセットを用いた。著者らの実験は,このアプローチが複数の結腸鏡検査データ増強を実行でき,それは基準線上の下流ポリープ分類性能および6%までの比較方法を改善することを示した。【JST・京大機械翻訳】

, , , , , , , , , ,
, , , , , 【Automatic Indexing@JST】

人工知能 , パターン認識

, , , , ,

前のページに戻る