Synthetic Ultrasound Video Generation with Generative Adversarial Networks
Notice bibliographique
Résumé
Ultrasound is a non-invasive, radiation-free portable imaging modality that offers real-time diagnostics in different clinical settings.Ultrasound video analysis can benefit from the rise of AI-powered applications in healthcare.However, access to ultrasound data remains the main challenge for the development of state-of-the-art machine learning models.Synthetic data generation can provide various benefits to ultrasound imaging analysis.Namely, generating ultrasound videos with specific characteristics allows for better training and testing of machine learning models.This work proposes a generative adversarial network for conditional ultrasound video generation.We conduct a thorough quantitative and qualitative evaluation of the network.Additionally, we show the added value of using the synthetic video for data augmentation in a downstream task.Extensive experiments on the EchoNet-Dynamic dataset demonstrate that the proposed model achieves an FID score of 126 and an FVD score of 233 and can be used in data augmentation tasks in small data scenarios.Contents 7 Conclusion and Future Work 70 vi List of Tables 3.1 Prior work in ultrasound image and video generation with GANs. .5.1 Configuration of the image discriminator. . . . . . . . . . . . . . . .5.2 Configuration of the video discriminator. . . . . . . . . . . . . . . .5.3 Configuration of the transposed convolutional generator. . . . . . .5.4 Configuration of the subpixel generator. . . . . . .
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».