Data Augmentation with Cross-Modal Variational Autoencoders (DACMVA) for Cancer Survival Prediction

The ability to translate Generative Adversarial Networks (GANs) and Variational Autoencoders (VAEs) into different modalities and data types is essential to improve Deep Learning (DL) for predictive medicine. This work presents DACMVA, a novel framework to conduct data augmentation in a cross-modal...

Celý popis

Uloženo v:

Podrobná bibliografie
Vydáno v:	Information (Basel) Ročník 15; číslo 1; s. 7
Hlavní autoři:	Rajaram, Sara, Mitchell, Cassie S.
Médium:	Journal Article
Jazyk:	angličtina
Vydáno:	Switzerland MDPI AG 01.01.2024
Témata:	Cancer cancer survival prediction Data augmentation Datasets Gene expression Generative Adversarial Network Generative adversarial networks Machine learning Medical research Missing data Oversampling Performance enhancement Rank tests Survival Tables (data) Tomography Variational Autoencoder cancer survival prediction Generative Adversarial Network data augmentation Variational Autoencoder
ISSN:	2078-2489, 2078-2489
On-line přístup:	Získat plný text
Tagy:	Přidat tag Žádné tagy, Buďte první, kdo vytvoří štítek k tomuto záznamu!

Buďte první, kdo okomentuje tento záznam!