論文の概要: Learning Global and Local Features of Normal Brain Anatomy for Unsupervised Abnormality Detection

• arxiv url: http://arxiv.org/abs/2005.12573v3
• Date: Sat, 8 May 2021 11:45:24 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-29 00:42:47.456725
• Title: Learning Global and Local Features of Normal Brain Anatomy for Unsupervised Abnormality Detection
• Title（参考訳）: 非教師的異常検出のための正常脳解剖のグローバルおよび局所的特徴の学習
• Authors: Kazuma Kobayashi, Ryuichiro Hataya, Yusuke Kurose, Amina Bolatkan, Mototaka Miyake, Hirokazu Watanabe, Masamichi Takahashi, Jun Itami, Tatsuya Harada, Ryuji Hamamoto
• Abstract要約: 脳磁気共鳴画像における画素ワイド異常検出のための教師なし学習フレームワークを実証した。 画像再構成ネットワークが正常な解剖のグローバルな特徴を忠実に再現できるなら、見えない画像の異常な病変を識別できる。 以上の結果より, 転移性脳腫瘍, 頭蓋外転移腫瘍, 術後の空洞, 構造変化は0.78, 0.61, 0.91, 0.60であった。
• 参考スコア（独自算出の注目度）: 35.15777802684473
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In real-world clinical practice, overlooking unanticipated findings can result in serious consequences. However, supervised learning, which is the foundation for the current success of deep learning, only encourages models to identify abnormalities that are defined in datasets in advance. Therefore, abnormality detection must be implemented in medical images that are not limited to a specific disease category. In this study, we demonstrate an unsupervised learning framework for pixel-wise abnormality detection in brain magnetic resonance imaging captured from a patient population with metastatic brain tumor. Our concept is as follows: If an image reconstruction network can faithfully reproduce the global features of normal anatomy, then the abnormal lesions in unseen images can be identified based on the local difference from those reconstructed as normal by a discriminative network. Both networks are trained on a dataset comprising only normal images without labels. In addition, we devise a metric to evaluate the anatomical fidelity of the reconstructed images and confirm that the overall detection performance is improved when the image reconstruction network achieves a higher score. For evaluation, clinically significant abnormalities are comprehensively segmented. The results show that the area under the receiver operating characteristics curve values for metastatic brain tumors, extracranial metastatic tumors, postoperative cavities, and structural changes are 0.78, 0.61, 0.91, and 0.60, respectively.
• Abstract（参考訳）: 実際の臨床実践では、予期せぬ発見を見渡すことは深刻な結果をもたらす。 しかし、ディープラーニングの現在の成功の基盤である教師付き学習は、事前にデータセットで定義されている異常をモデルが識別することを推奨するだけである。 したがって、特定の疾患カテゴリに限定されない医療画像に異常検出を実装する必要がある。 本研究では,転移性脳腫瘍患者集団から採取した脳磁気共鳴画像における画素単位の異常検出のための教師なし学習フレームワークを示す。 画像再構成ネットワークが正常解剖学の全体的特徴を忠実に再現できるなら、未発見画像の異常病変を識別ネットワークによって正常に再構成されたものとの局所的な差異に基づいて同定することができる。 どちらのネットワークも、ラベルのない通常の画像のみからなるデータセット上でトレーニングされる。 さらに、再構成画像の解剖学的忠実度を評価する指標を考案し、画像再構成ネットワークがより高いスコアを達成すると、全体的な検出性能が向上することを確認した。 臨床的に有意な異常は包括的に区分される。 以上の結果より, 転移性脳腫瘍, 頭蓋外転移腫瘍, 術後の空洞, 構造変化は0.78, 0.61, 0.91, 0.60であった。

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)
• Significantly improving zero-shot X-ray pathology classification via fine-tuning pre-trained image-text encoders [50.689585476660554]
  本稿では,正対損失緩和とランダムな文サンプリングを含む新たな微調整手法を提案する。 提案手法は,胸部X線データセットと3つの事前訓練モデル間のゼロショット病理分類を一貫して改善する。
  論文  参考訳（メタデータ） (2022-12-14T06:04:18Z)
• Automated SSIM Regression for Detection and Quantification of Motion Artefacts in Brain MR Images [54.739076152240024]
  磁気共鳴脳画像における運動アーチファクトは重要な問題である。 MR画像の画質評価は,臨床診断に先立って基本的である。 構造類似度指数(SSIM)回帰に基づく自動画像品質評価法が提案されている。
  論文  参考訳（メタデータ） (2022-06-14T10:16:54Z)
• Validation and Generalizability of Self-Supervised Image Reconstruction Methods for Undersampled MRI [4.832984894979636]
  自己教師型認知とニューラルネットワーク画像を用いた2つの自己教師型アルゴリズムについて検討した。 それらの一般化性は、トレーニングとは異なる実験条件から、前向きにアンダーサンプリングされたデータでテストされた。
  論文  参考訳（メタデータ） (2022-01-29T09:06:04Z)
• Assessing glaucoma in retinal fundus photographs using Deep Feature Consistent Variational Autoencoders [63.391402501241195]
  緑内障は症状が重くなるまで無症状のままでいるため、検出が困難である。 緑内障の早期診断は機能的,構造的,臨床的評価に基づいて行われることが多い。 ディープラーニング手法はこのジレンマを、マーカー識別段階をバイパスし、ハイレベルな情報を分析してデータを分類することで部分的に解決している。
  論文  参考訳（メタデータ） (2021-10-04T16:06:49Z)
• Encoding Structure-Texture Relation with P-Net for Anomaly Detection in Retinal Images [42.700275429734205]
  網膜画像における異常検出は、網膜疾患や疾患によって引き起こされる異常の同定を指す。 本稿では,画像テクスチャと構造の関係を利用して,異常検出のためのディープニューラルネットワークの設計を提案する。
  論文  参考訳（メタデータ） (2020-08-09T02:59:33Z)
• 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)
• Brain Tumor Anomaly Detection via Latent Regularized Adversarial Network [34.81845999071626]
  本稿では,脳腫瘍の異常検出アルゴリズムを提案する。 健常な(正常な)脳画像のみを訓練する半教師付き異常検出モデルが提案されている。
  論文  参考訳（メタデータ） (2020-07-09T12:12:16Z)
• Quantifying and Leveraging Predictive Uncertainty for Medical Image Assessment [13.330243305948278]
  本稿では,分類の確率的推定だけでなく,明確な不確実性も学習するシステムを提案する。 我々は,異なる放射線検査による医用画像のあいまいさを考慮に入れることが重要であると論じる。 本実験では, 予測不確実性に基づくサンプルの拒絶が, 様々なタスクにおけるROC-AUCを大幅に改善できることを実証した。
  論文  参考訳（メタデータ） (2020-07-08T16:47:55Z)

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。