論文の概要: A versatile anomaly detection method for medical images with a
flow-based generative model in semi-supervision setting
- arxiv url: http://arxiv.org/abs/2001.07847v3
- Date: Tue, 20 Oct 2020 07:09:03 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-07 18:20:50.487321
- Title: A versatile anomaly detection method for medical images with a
flow-based generative model in semi-supervision setting
- Title（参考訳）: 半スーパービジョンにおけるフロー型生成モデルを用いた医用画像の多彩な異常検出法
- Authors: H. Shibata (1), S. Hanaoka (2), Y. Nomura (1), T. Nakao (1), I. Sato
(2 and 4 and 5), D. Sato (3), N. Hayashi (1) and O. Abe (2 and 3) ((1)
Department of Computational Diagnostic Radiology and Preventive Medicine, The
University of Tokyo Hospital, (2) Department of Radiology, The University of
Tokyo Hospital, (3) Division of Radiology and Biomedical Engineering,
Graduate School of Medicine, The University of Tokyo, (4) Department of
Computer Science, Graduate School of Information Science and Technology, The
University of Tokyo, (5) Center for Advanced Intelligence Project, RIKEN)
- Abstract要約: 本稿では,2つの訓練されたフローベース生成モデルに基づく異常検出手法を提案する。
この方法では、後続確率は任意の画像に対する正規度計量として計算できる。
胸部X線写真(CXR)と脳CT(BCT)の2種類の医用画像を用いて評価した。
- 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: Oversight in medical images is a crucial problem, and timely reporting of
medical images is desired. Therefore, an all-purpose anomaly detection method
that can detect virtually all types of lesions/diseases in a given image is
strongly desired. However, few commercially available and versatile anomaly
detection methods for medical images have been provided so far. Recently,
anomaly detection methods built upon deep learning methods have been rapidly
growing in popularity, and these methods seem to provide reasonable solutions
to the problem. However, the workload to label the images necessary for
training in deep learning remains heavy. In this study, we present an anomaly
detection method based on two trained flow-based generative models. With this
method, the posterior probability can be computed as a normality metric for any
given image. The training of the generative models requires two sets of images:
a set containing only normal images and another set containing both normal and
abnormal images without any labels. In the latter set, each sample does not
have to be labeled as normal or abnormal; therefore, any mixture of images
(e.g., all cases in a hospital) can be used as the dataset without cumbersome
manual labeling. The method was validated with two types of medical images:
chest X-ray radiographs (CXRs) and brain computed tomographies (BCTs). The
areas under the receiver operating characteristic curves for logarithm
posterior probabilities of CXRs (0.868 for pneumonia-like opacities) and BCTs
(0.904 for infarction) were comparable to those in previous studies with other
anomaly detection methods. This result showed the versatility of our method.
- Abstract（参考訳）: 医用画像の監視は重要な問題であり、医用画像のタイムリーな報告が望まれる。
したがって、所定の画像中の事実上全ての種類の病変・疾患を検出できる全目的異常検出方法が求められている。
しかし, 医用画像の市販・汎用的異常検出法は, これまでにほとんど提供されていない。
近年,ディープラーニング手法に基づく異常検出手法が急速に普及しており,これらの手法は問題に対する合理的な解決法であると考えられる。
しかし、ディープラーニングの訓練に必要なイメージをラベル付けする作業は依然として重い。
本研究では,2つの学習フローに基づく生成モデルに基づく異常検出法を提案する。
この方法では、後続確率は任意の画像に対する正規度計量として計算できる。
生成モデルのトレーニングには、通常画像のみを含むセットと、ラベルのない正常画像と異常画像の両方を含むセットの2つのセットが必要である。
後者のセットでは、各サンプルは正常または異常とラベル付けされる必要はなく、そのため、手作業の面倒なラベリングなしに、画像の混合物(病院のすべてのケースなど)をデータセットとして使用できる。
この方法は胸部x線x線画像(cxrs)と脳計算断層画像(bcts)の2種類の医用画像で検証された。
cxrs (0.868) と bcts (0.904) の対数後確率に対する特徴曲線は, 他の異常検出法と同等であった。
その結果,本手法の汎用性を示した。
関連論文リスト
- Spatial-aware Attention Generative Adversarial Network for Semi-supervised Anomaly Detection in Medical Image [63.59114880750643]
本稿では,一級半教師付き健康画像生成のための空間意識生成ネットワーク(SAGAN)について紹介する。
SAGANは、正常な画像の復元と擬似異常画像の復元によって導かれる、ラベルのないデータに対応する高品質な健康画像を生成する。
3つの医学データセットに対する大規模な実験は、提案されたSAGANが最先端の手法よりも優れていることを示した。
論文 参考訳（メタデータ） (2024-05-21T15:41:34Z) - MedIAnomaly: A comparative study of anomaly detection in medical images [26.319602363581442]
異常検出(AD)は、期待される正常なパターンから逸脱する異常なサンプルを検出することを目的としている。
医療用AD法は多岐にわたるが, 公平かつ包括的評価の欠如が指摘されている。
本稿では,比較を統一したベンチマークを構築した。
論文 参考訳（メタデータ） (2024-04-06T06:18:11Z) - Adapting Visual-Language Models for Generalizable Anomaly Detection in Medical Images [68.42215385041114]
本稿では,CLIPモデルを用いた医用異常検出のための軽量な多レベル適応と比較フレームワークを提案する。
提案手法では,複数の残像アダプタを事前学習した視覚エンコーダに統合し,視覚的特徴の段階的向上を実現する。
医学的異常検出ベンチマーク実験により,本手法が現在の最先端モデルを大幅に上回っていることが示された。
論文 参考訳（メタデータ） (2024-03-19T09:28:19Z) - Feasibility of Universal Anomaly Detection without Knowing the
Abnormality in Medical Images [14.191760807405421]
以前の異常検出方法は、特定の「既知の」異常に最適化された。
本研究では,4つの医学データセットの異常検出手法を比較した。
本稿では,異常を知らずに,様々な種類の異常検出の利点を活用するための簡易な判定レベルアンサンブル手法を提案する。
論文 参考訳（メタデータ） (2023-07-03T04:56:17Z) - Stain-invariant self supervised learning for histopathology image
analysis [74.98663573628743]
乳がんのヘマトキシリンおよびエオシン染色像におけるいくつかの分類課題に対する自己監督アルゴリズムを提案する。
本手法は,いくつかの乳がんデータセット上での最先端のパフォーマンスを実現する。
論文 参考訳（メタデータ） (2022-11-14T18:16:36Z) - Dual-Distribution Discrepancy for Anomaly Detection in Chest X-Rays [29.57501199670898]
本稿では, 正規画像とラベルなし画像の両方を利用した新しい手法であるDual-Distribution Disrepancy for Anomaly Detection (DDAD)を提案する。
3つのCXRデータセットの実験により、提案されたDDADが一貫した重要なゲインを達成し、最先端の手法より優れていることが示された。
論文 参考訳（メタデータ） (2022-06-08T14:52:27Z) - PatchNR: Learning from Small Data by Patch Normalizing Flow
Regularization [57.37911115888587]
正規化フローに基づく画像の逆問題に対する変分モデリングのための正規化器を提案する。
patchNRと呼ばれる我々の正規化器は、ごく少数の画像のパッチで学習したフローを正規化します。
論文 参考訳（メタデータ） (2022-05-24T12:14:26Z) - Diffusion Models for Medical Anomaly Detection [0.8999666725996974]
本稿では,拡散暗黙的モデルに基づく弱教師付き異常検出手法を提案する。
本手法は,複雑な訓練手順を必要とせずに,非常に詳細な異常マップを生成する。
論文 参考訳（メタデータ） (2022-03-08T12:35:07Z) - Generative Adversarial U-Net for Domain-free Medical Image Augmentation [49.72048151146307]
注釈付き医用画像の不足は、医用画像コンピューティングの分野における最大の課題の1つだ。
本稿では,生成逆U-Netという新しい生成手法を提案する。
当社の新しいモデルは、ドメインフリーで、さまざまな医療画像に汎用性があります。
論文 参考訳（メタデータ） (2021-01-12T23:02:26Z) - Convolutional-LSTM for Multi-Image to Single Output Medical Prediction [55.41644538483948]
発展途上国の一般的なシナリオは、複数の理由からボリュームメタデータが失われることである。
ヒトの診断過程を模倣したマルチイメージから単一診断モデルを得ることが可能である。
論文 参考訳（メタデータ） (2020-10-20T04:30:09Z) - Anomaly Detection in Medical Imaging with Deep Perceptual Autoencoders [1.7277957019593995]
画像異常検出の新しい強力な手法を提案する。
これは、再設計されたトレーニングパイプラインを備えた古典的なオートエンコーダアプローチに依存している。
複雑な医用画像解析タスクにおける最先端のアプローチよりも優れています。
論文 参考訳（メタデータ） (2020-06-23T18:45:55Z)
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。