Fugu-MT 論文翻訳(概要): Brain Tumor Anomaly Detection via Latent Regularized Adversarial Network

論文の概要: Brain Tumor Anomaly Detection via Latent Regularized Adversarial Network

arxiv url: http://arxiv.org/abs/2007.04734v1
Date: Thu, 9 Jul 2020 12:12:16 GMT
ステータス: 処理完了
システム内更新日: 2022-11-12 05:10:54.535453
Title: Brain Tumor Anomaly Detection via Latent Regularized Adversarial Network
Title（参考訳）: latent regularized adversarial networkを用いた脳腫瘍の異常検出
Authors: Nan Wang, Chengwei Chen, Yuan Xie, Lizhuang Ma
Abstract要約: 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。
参考スコア（独自算出の注目度）: 34.81845999071626
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: With the development of medical imaging technology, medical images have become an important basis for doctors to diagnose patients. The brain structure in the collected data is complicated, thence, doctors are required to spend plentiful energy when diagnosing brain abnormalities. Aiming at the imbalance of brain tumor data and the rare amount of labeled data, we propose an innovative brain tumor abnormality detection algorithm. The semi-supervised anomaly detection model is proposed in which only healthy (normal) brain images are trained. Model capture the common pattern of the normal images in the training process and detect anomalies based on the reconstruction error of latent space. Furthermore, the method first uses singular value to constrain the latent space and jointly optimizes the image space through multiple loss functions, which make normal samples and abnormal samples more separable in the feature-level. This paper utilizes BraTS, HCP, MNIST, and CIFAR-10 datasets to comprehensively evaluate the effectiveness and practicability. Extensive experiments on intra- and cross-dataset tests prove that our semi-supervised method achieves outperforms or comparable results to state-of-the-art supervised techniques.
Abstract（参考訳）: 医用画像技術の発展に伴い、医用画像は患者を診断するための重要な基盤となっている。収集されたデータの脳構造は複雑で、脳の異常の診断には医師や医師が多量のエネルギーを消費する必要がある。脳腫瘍データの不均衡と稀な量のラベル付きデータを目指して,革新的な脳腫瘍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を提案する。モデルは、トレーニング過程における通常の画像の共通パターンをキャプチャし、潜在空間の再構成誤差に基づいて異常を検出する。さらに,本手法ではまず特異値を用いて遅延空間を制約し,複数の損失関数を用いて画像空間を共同最適化することにより,特徴レベルの正常サンプルと異常サンプルを分離しやすくする。本稿では,BraTS,HCP,MNIST,CIFAR-10データセットを用いて,その有効性と実践性を総合的に評価する。我々の半教師あり手法は, 最先端の教師あり手法に比較して, 性能や性能に優れることを示した。

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)
Discrepancy-based Diffusion Models for Lesion Detection in Brain MRI [1.8420387715849447]
拡散確率モデル(DPM)はコンピュータビジョンタスクにおいて大きな効果を示した。彼らの顕著なパフォーマンスはラベル付きデータセットに大きく依存しており、医療画像への適用を制限する。本稿では,異なる特徴を取り入れた新しい枠組みを提案する。
論文参考訳（メタデータ） (2024-05-08T11:26:49Z)
UniBrain: Universal Brain MRI Diagnosis with Hierarchical Knowledge-enhanced Pre-training [66.16134293168535]
我々はUniBrainと呼ばれるユニバーサル脳MRI診断のための階層的知識強化事前訓練フレームワークを提案する。具体的には、UniBrainは、定期的な診断から24,770のイメージレポートペアの大規模なデータセットを活用する。
論文参考訳（メタデータ） (2023-09-13T09:22:49Z)
Patched Diffusion Models for Unsupervised Anomaly Detection in Brain MRI [55.78588835407174]
本稿では,正常脳解剖のパッチベース推定法として拡散モデルの生成タスクを再構築する手法を提案する。腫瘍と多発性硬化症について検討し,既存のベースラインと比較して25.1%の改善がみられた。
論文参考訳（メタデータ） (2023-03-07T09:40:22Z)
The role of noise in denoising models for anomaly detection in medical images [62.0532151156057]
病理脳病変は脳画像に多彩な外観を示す。正規データのみを用いた教師なし異常検出手法が提案されている。空間分解能の最適化と雑音の大きさの最適化により,異なるモデル学習体制の性能が向上することを示す。
論文参考訳（メタデータ） (2023-01-19T21:39:38Z)
FAST-AID Brain: Fast and Accurate Segmentation Tool using Artificial Intelligence Developed for Brain [0.8376091455761259]
ヒト脳の132領域への高速かつ正確なセグメンテーションのための新しい深層学習法を提案する。提案モデルは、効率的なU-Netライクなネットワークと、異なるビューと階層関係の交差点の利点を利用する。提案手法は,画像の事前処理や性能低下を伴わずに頭蓋骨や他の人工物を含む脳MRIデータに適用することができる。
論文参考訳（メタデータ） (2022-08-30T16:06:07Z)
A Novel Framework for Brain Tumor Detection Based on Convolutional Variational Generative Models [6.726255259929498]
本稿では,脳腫瘍の検出と分類のための新しい枠組みを提案する。提案フレームワークは、全体的な検出精度96.88%を取得する。提案されたフレームワークは,脳腫瘍の正確な検出システムとして期待されている。
論文参考訳（メタデータ） (2022-02-20T16:14:01Z)
StRegA: Unsupervised Anomaly Detection in Brain MRIs using a Compact Context-encoding Variational Autoencoder [48.2010192865749]
教師なし異常検出(UAD)は、健康な被験者の異常なデータセットからデータ分布を学習し、分布サンプルの抽出に応用することができる。本研究では,コンテクストエンコーディング(context-encoding)VAE(ceVAE)モデルのコンパクトバージョンと,前処理と後処理のステップを組み合わせて,UADパイプライン(StRegA)を作成することを提案する。提案したパイプラインは、BraTSデータセットのT2w画像と0.859$pm$0.112の腫瘍を検出しながら、Diceスコアが0.642$pm$0.101に達した。
論文参考訳（メタデータ） (2022-01-31T14:27:35Z)
Deep Transfer Learning for Brain Magnetic Resonance Image Multi-class Classification [0.6117371161379209]
我々は、Deep Transfer Learningを用いて脳MRI画像中の腫瘍の多重分類を行うフレームワークを開発した。新たなデータセットと2つの公開MRI脳データセットを使用して、提案手法は86.40%の精度で分類された。本研究は,脳腫瘍のマルチクラス化タスクにおいて,トランスファーラーニングのためのフレームワークが有用かつ効果的な方法であることを示すものである。
論文参考訳（メタデータ） (2021-06-14T12:19:27Z)
Unsupervised Brain Anomaly Detection and Segmentation with Transformers [2.559418792403512]
病理的な脳の外観は、正常性からの逸脱によって定義される異常としてのみ認識されるほど不均一である。ここでは,ベクトル量子化変分オートエンコーダの潜在表現と自己回帰トランスフォーマのアンサンブルを組み合わせることにより,教師なし異常検出を実現する。我々は,英国バイオバンクから15,000名の放射線学的に正常な被験者を対象に,小血管疾患,脱髄性病変,腫瘍を伴う4種類の脳MRデータセットの性能評価を行った。
論文参考訳（メタデータ） (2021-02-23T12:10:58Z)
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。