Generative Active Learning with Variational Autoencoder for Radiology Data Generation in Veterinary Medicine

要約

近年、ペットの医療への関心の高まりに伴い、獣医学におけるコンピュータ支援診断（CAD）システムの需要が高まっています。
獣医用 CAD の開発は、十分な放射線データが不足しているために停滞しています。
この課題を克服するために、変分オートエンコーダに基づく生成アクティブ学習フレームワークを提案します。
このアプローチは、獣医学における CAD システムの信頼できるデータの不足を軽減することを目的としています。
この研究では、心肥大の X 線写真データを含むデータセットを利用します。
注釈を削除し、画像を標準化した後、データ拡張のフレームワークを採用しました。このフレームワークは、データ生成フェーズと、生成されたデータをフィルタリングするためのクエリフェーズで構成されます。
実験結果から、このフレームワークを通じて生成されたデータが生成モデルのトレーニング データに追加されると、X 線写真上でフレシェ開始距離が 84.14 から 50.75 に一貫して減少することが明らかになりました。
その後、生成されたデータが分類モデルのトレーニングに組み込まれた場合、X 線写真上での混同行列の偽陽性も 0.16 から 0.66 に改善されました。
提案されたフレームワークは、医療 CAD におけるデータ不足の課題に対処し、その進歩に貢献する可能性を秘めています。

要約(オリジナル)

Recently, with increasing interest in pet healthcare, the demand for computer-aided diagnosis (CAD) systems in veterinary medicine has increased. The development of veterinary CAD has stagnated due to a lack of sufficient radiology data. To overcome the challenge, we propose a generative active learning framework based on a variational autoencoder. This approach aims to alleviate the scarcity of reliable data for CAD systems in veterinary medicine. This study utilizes datasets comprising cardiomegaly radiograph data. After removing annotations and standardizing images, we employed a framework for data augmentation, which consists of a data generation phase and a query phase for filtering the generated data. The experimental results revealed that as the data generated through this framework was added to the training data of the generative model, the frechet inception distance consistently decreased from 84.14 to 50.75 on the radiograph. Subsequently, when the generated data were incorporated into the training of the classification model, the false positive of the confusion matrix also improved from 0.16 to 0.66 on the radiograph. The proposed framework has the potential to address the challenges of data scarcity in medical CAD, contributing to its advancement.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google