論文の概要: Few-Shot Anomaly Detection for Polyp Frames from Colonoscopy

• arxiv url: http://arxiv.org/abs/2006.14811v1
• Date: Fri, 26 Jun 2020 06:08:46 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-16 21:47:54.856176
• Title: Few-Shot Anomaly Detection for Polyp Frames from Colonoscopy
• Title（参考訳）: 大腸内視鏡によるポリープフレームのFew-Shot異常検出
• Authors: Yu Tian, Gabriel Maicas, Leonardo Zorron Cheng Tao Pu, Rajvinder Singh, Johan W. Verjans, Gustavo Carneiro
• Abstract要約: 特徴埋め込みと正規画像の相互情報を最大化するために訓練されたエンコーダに基づく,新しい数発の異常検出手法を提案する。 大腸内視鏡画像からポリープを含むフレームを検出する際の臨床的問題点について検討した。
• 参考スコア（独自算出の注目度）: 20.23118616722365
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Anomaly detection methods generally target the learning of a normal image distribution (i.e., inliers showing healthy cases) and during testing, samples relatively far from the learned distribution are classified as anomalies (i.e., outliers showing disease cases). These approaches tend to be sensitive to outliers that lie relatively close to inliers (e.g., a colonoscopy image with a small polyp). In this paper, we address the inappropriate sensitivity to outliers by also learning from inliers. We propose a new few-shot anomaly detection method based on an encoder trained to maximise the mutual information between feature embeddings and normal images, followed by a few-shot score inference network, trained with a large set of inliers and a substantially smaller set of outliers. We evaluate our proposed method on the clinical problem of detecting frames containing polyps from colonoscopy video sequences, where the training set has 13350 normal images (i.e., without polyps) and less than 100 abnormal images (i.e., with polyps). The results of our proposed model on this data set reveal a state-of-the-art detection result, while the performance based on different number of anomaly samples is relatively stable after approximately 40 abnormal training images.
• Abstract（参考訳）: 異常検出法は通常、正常な画像分布(健康な症例を示す異常値)の学習を対象とし、試験中、学習された分布から比較的遠いサンプルを異常(疾患を示す異常値)に分類する。 これらのアプローチは、異常値に比較的近い異常値(例えば、小さなポリプを持つ大腸内視鏡像)に敏感である傾向がある。 本稿では,外れ値に対する不適切な感度についても,外れ値から学習することで解決する。 本稿では,特徴埋め込みと正規画像の相互情報を最大化するために訓練されたエンコーダに基づく新しい数ショット異常検出法を提案する。 そこで本研究では,大腸内視鏡映像からポリープを含むフレームを検出する手法について検討し,本トレーニングセットの正常画像は13350点(ポリープなし),異常画像は100点未満(ポリープ付き)である。 提案したモデルでは,約40個の異常訓練画像の後に,異常サンプル数による性能が比較的安定であるのに対して,最先端検出結果が得られた。

関連論文リスト

• Anomaly Detection by Context Contrasting [57.695202846009714]
  異常検出は、標準から逸脱するサンプルを特定することに焦点を当てる。 近年の自己教師型学習の進歩は、この点において大きな可能性を秘めている。 我々はコンテキスト拡張を通じて学習するCon$を提案する。
  論文  参考訳（メタデータ） (2024-05-29T07:59:06Z)
• 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)
• 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)
• CARLA: Self-supervised Contrastive Representation Learning for Time Series Anomaly Detection [53.83593870825628]
  時系列異常検出(TSAD)の主な課題は、多くの実生活シナリオにおいてラベル付きデータの欠如である。 既存の異常検出手法の多くは、教師なしの方法で非ラベル時系列の正常な振る舞いを学習することに焦点を当てている。 本稿では,時系列異常検出のためのエンドツーエンドの自己教師型コントラアスティブ表現学習手法を提案する。
  論文  参考訳（メタデータ） (2023-08-18T04:45:56Z)
• Augment to Detect Anomalies with Continuous Labelling [10.646747658653785]
  異常検出は、トレーニング観察と何らかの点で異なるサンプルを認識することである。 最近の最先端のディープラーニングに基づく異常検出手法は、計算コスト、複雑さ、不安定な訓練手順、非自明な実装に悩まされている。 我々は、軽量な畳み込みニューラルネットワークを訓練し、異常検出における最先端の性能に到達するための単純な学習手順を活用する。
  論文  参考訳（メタデータ） (2022-07-03T20:11:51Z)
• Fake It Till You Make It: Near-Distribution Novelty Detection by Score-Based Generative Models [54.182955830194445]
  既存のモデルは、いわゆる"近く分布"設定で失敗するか、劇的な低下に直面します。 本稿では, スコアに基づく生成モデルを用いて, 合成近分布異常データを生成することを提案する。 本手法は,9つのノベルティ検出ベンチマークにおいて,近分布ノベルティ検出を6%改善し,最先端のノベルティ検出を1%から5%パスする。
  論文  参考訳（メタデータ） (2022-05-28T02:02:53Z)
• LesionPaste: One-Shot Anomaly Detection for Medical Images [0.6445605125467573]
  本稿では,1つの注釈付きサンプルから真の異常を利用した一発異常検出フレームワークLesionPasteを提案する。 MixUpは、通常の画像のランダムな位置で病変バンクからパッチを貼り付け、トレーニング用の異常サンプルを合成するために使用される。 提案したLesionPasteは,最先端の非教師付きおよび半教師付き異常検出手法よりも優れており,完全教師付き手法と同等である。
  論文  参考訳（メタデータ） (2022-03-12T06:19:10Z)
• Explainable Deep Few-shot Anomaly Detection with Deviation Networks [123.46611927225963]
  本稿では,弱い教師付き異常検出フレームワークを導入し,検出モデルを訓練する。 提案手法は,ラベル付き異常と事前確率を活用することにより,識別正規性を学習する。 我々のモデルはサンプル効率が高く頑健であり、クローズドセットとオープンセットの両方の設定において最先端の競合手法よりもはるかに優れている。
  論文  参考訳（メタデータ） (2021-08-01T14:33:17Z)
• 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)
• 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。