論文の概要: Unsupervised Lesion Detection via Image Restoration with a Normative Prior

• arxiv url: http://arxiv.org/abs/2005.00031v1
• Date: Thu, 30 Apr 2020 18:03:18 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-08 05:26:34.076143
• Title: Unsupervised Lesion Detection via Image Restoration with a Normative Prior
• Title（参考訳）: ノルマティブプリミティブを用いた画像復元による教師なし病変検出
• Authors: Xiaoran Chen, Suhang You, Kerem Can Tezcan, Ender Konukoglu
• Abstract要約: 本稿では,ネットワークをベースとした事前分布を規範分布とし,MAP推定を用いて画素単位で病変を検出する確率モデルを提案する。 脳MRIにおけるグリオーマと脳卒中病変の実験は、提案手法が最先端の教師なし手法よりかなり優れていることを示している。
• 参考スコア（独自算出の注目度）: 6.495883501989547
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Unsupervised lesion detection is a challenging problem that requires accurately estimating normative distributions of healthy anatomy and detecting lesions as outliers without training examples. Recently, this problem has received increased attention from the research community following the advances in unsupervised learning with deep learning. Such advances allow the estimation of high-dimensional distributions, such as normative distributions, with higher accuracy than previous methods.The main approach of the recently proposed methods is to learn a latent-variable model parameterized with networks to approximate the normative distribution using example images showing healthy anatomy, perform prior-projection, i.e. reconstruct the image with lesions using the latent-variable model, and determine lesions based on the differences between the reconstructed and original images. While being promising, the prior-projection step often leads to a large number of false positives. In this work, we approach unsupervised lesion detection as an image restoration problem and propose a probabilistic model that uses a network-based prior as the normative distribution and detect lesions pixel-wise using MAP estimation. The probabilistic model punishes large deviations between restored and original images, reducing false positives in pixel-wise detections. Experiments with gliomas and stroke lesions in brain MRI using publicly available datasets show that the proposed approach outperforms the state-of-the-art unsupervised methods by a substantial margin, +0.13 (AUC), for both glioma and stroke detection. Extensive model analysis confirms the effectiveness of MAP-based image restoration.
• Abstract（参考訳）: 非教師なし病変検出は、正常な解剖学の規範的分布を正確に推定し、訓練例を使わずにアウトリーチとして病変を検出するという難しい問題である。 近年,ディープラーニングによる教師なし学習の進展に伴い,研究コミュニティから注目が集まっている。 Such advances allow the estimation of high-dimensional distributions, such as normative distributions, with higher accuracy than previous methods.The main approach of the recently proposed methods is to learn a latent-variable model parameterized with networks to approximate the normative distribution using example images showing healthy anatomy, perform prior-projection, i.e. reconstruct the image with lesions using the latent-variable model, and determine lesions based on the differences between the reconstructed and original images. 有望である一方で、事前のプロジェクションステップは、しばしば多くの偽陽性につながる。 本研究では, 画像復元問題として教師なし病変検出にアプローチし, ネットワークを基準分布とする確率モデルを提案し, MAP推定を用いて病変検出を行う。 確率モデルは復元された画像とオリジナル画像の間の大きな偏差を罰し、画素単位での誤検出を減少させる。 脳MRIにおけるグリオーマと脳卒中病変を用いた実験では、提案手法は、グリオーマと脳卒中検出の両方において、最先端の教師なし手法よりかなり優れていることが示されている。 集中モデル解析はMAP画像復元の有効性を確認する。

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)
• Unsupervised Anomaly Detection via Masked Diffusion Posterior Sampling [8.887775968482208]
  拡散モデルは、その強力な生成能力のために、異常検出に有望な応用を示している。 本稿では,Masked Diffusion Posterior Smpling (MDPS) という,新規かつ高解釈可能な手法を提案する。 MDPSは、異常検出や局所化と同様に、通常の画像再構成の品質において最先端の性能を達成することができる。
  論文  参考訳（メタデータ） (2024-04-27T13:13:27Z)
• Evaluation of pseudo-healthy image reconstruction for anomaly detection with deep generative models: Application to brain FDG PET [3.5250480324981406]
  本研究では,現実的な異常画像のシミュレーションに基づく評価手法を提案する。 この枠組みを畳み込み変分オートエンコーダを用いた3次元脳FDG PETの再構成に適用する。
  論文  参考訳（メタデータ） (2024-01-29T18:02:22Z)
• DiAD: A Diffusion-based Framework for Multi-class Anomaly Detection [55.48770333927732]
  本稿では,拡散型異常検出(Difusion-based Anomaly Detection, DAD)フレームワークを提案する。 画素空間オートエンコーダ、安定拡散の復調ネットワークに接続する潜在空間セマンティックガイド(SG)ネットワーク、特徴空間事前学習機能抽出器から構成される。 MVTec-ADとVisAデータセットの実験は、我々のアプローチの有効性を実証している。
  論文  参考訳（メタデータ） (2023-12-11T18:38:28Z)
• Projection Regret: Reducing Background Bias for Novelty Detection via Diffusion Models [72.07462371883501]
  本研究では,非意味情報のバイアスを緩和する効率的な新規性検出手法であるemphProjection Regret(PR)を提案する。 PRは、テスト画像とその拡散ベースの投影の間の知覚距離を計算し、異常を検出する。 拡張実験により、PRは生成モデルに基づく新規性検出手法の先行技術よりも有意なマージンで優れていることが示された。
  論文  参考訳（メタデータ） (2023-12-05T09:44:47Z)
• AnoDODE: Anomaly Detection with Diffusion ODE [0.0]
  異常検出は、データセットの大部分から著しく逸脱する非定型的なデータサンプルを特定するプロセスである。 医用画像から抽出した特徴量の密度を推定し,拡散モードに基づく新しい異常検出手法を提案する。 提案手法は異常を識別するだけでなく,画像レベルと画素レベルでの解釈性も提供する。
  論文  参考訳（メタデータ） (2023-10-10T08:44:47Z)
• Self-Supervised Training with Autoencoders for Visual Anomaly Detection [61.62861063776813]
  我々は, 正規サンプルの分布を低次元多様体で支持する異常検出において, 特定のユースケースに焦点を当てた。 我々は、訓練中に識別情報を活用する自己指導型学習体制に適応するが、通常の例のサブ多様体に焦点をあてる。 製造領域における視覚異常検出のための挑戦的なベンチマークであるMVTec ADデータセットで、最先端の新たな結果を達成する。
  論文  参考訳（メタデータ） (2022-06-23T14:16:30Z)
• 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)
• Implicit field learning for unsupervised anomaly detection in medical images [0.8122270502556374]
  オートデコーダフィードフォワードニューラルネットワークは、組織型のプロキシ上の空間座標と確率の間のマッピングという形で、健康な画像の分布を学習する。 回復画像のモデルにより予測されたボクセル的確率を用いて,異常の局所化を行う。 脳MR画像におけるグリオーマの非教師的局在化の課題に対して,本手法を検証し,他のVAEによる異常検出法と比較した。
  論文  参考訳（メタデータ） (2021-06-09T16:57:22Z)
• Constrained Contrastive Distribution Learning for Unsupervised Anomaly Detection and Localisation in Medical Images [23.79184121052212]
  UAD(Unsupervised Anomaly Detection)は、通常の(すなわち健康的な)画像でのみ1クラスの分類器を学習する。 異常検出のための制約コントラスト分布学習(Constrained Contrastive Distribution Learning for Anomaly Detection, CCD)を提案する。 本手法は,3種類の大腸内視鏡および底部検診データセットにおいて,最先端のUADアプローチよりも優れている。
  論文  参考訳（メタデータ） (2021-03-05T01:56:58Z)
• Improved Slice-wise Tumour Detection in Brain MRIs by Computing Dissimilarities between Latent Representations [68.8204255655161]
  磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。 本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。 本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
  論文  参考訳（メタデータ） (2020-07-24T14:02:09Z)

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。