論文の概要: Unsupervised Shape Normality Metric for Severity Quantification

• arxiv url: http://arxiv.org/abs/2007.09307v2
• Date: Wed, 16 Sep 2020 15:53:20 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-09 05:33:51.339506
• Title: Unsupervised Shape Normality Metric for Severity Quantification
• Title（参考訳）: 重度定量化のための教師なし形状正規化基準
• Authors: Wenzheng Tao, Riddhish Bhalodia, Erin Anstadt, Ladislav Kavan, Ross T. Whitaker, Jesse A. Goldstein
• Abstract要約: 解剖学的変形の重症度は、しばしば患者の臨床管理における決定要因となる。 病理サンプルのラベル付けが不十分なため、監督された方法が誤解される傾向がある。 本研究では,正常標本からのみ学習し,病理学の知識をゼロにする形状正規度測定法(SNM)を提案する。
• 参考スコア（独自算出の注目度）: 6.584790328609133
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This work describes an unsupervised method to objectively quantify the abnormality of general anatomical shapes. The severity of an anatomical deformity often serves as a determinant in the clinical management of patients. However, experiential bias and distinctive random residuals among specialist individuals bring variability in diagnosis and patient management decisions, irrespective of the objective deformity degree. Therefore, supervised methods are prone to be misled given insufficient labeling of pathological samples that inevitably preserve human bias and inconsistency. Furthermore, subjects demonstrating a specific pathology are naturally rare relative to the normal population. To avoid relying on sufficient pathological samples by fully utilizing the power of normal samples, we propose the shape normality metric (SNM), which requires learning only from normal samples and zero knowledge about the pathology. We represent shapes by landmarks automatically inferred from the data and model the normal group by a multivariate Gaussian distribution. Extensive experiments on different anatomical datasets, including skulls, femurs, scapulae, and humeri, demonstrate that SNM can provide an effective normality measurement, which can significantly detect and indicate pathology. Therefore, SNM offers promising value in a variety of clinical applications.
• Abstract（参考訳）: 本稿では,一般解剖学的形状の異常を客観的に定量化するための教師なし手法について述べる。 解剖学的変形の重症度は、しばしば患者の臨床管理における決定要因となる。 しかし、経験的偏見と専門的個人における特異なランダム残差は、客観的な変形度に関係なく、診断や患者管理の決定に多様性をもたらす。 そのため、ヒトのバイアスや不整合を必然的に維持する病的サンプルのラベル付けが不十分なため、教師付き手法は誤解されがちである。 さらに、特定の病状を示す被験者は、通常人口と比較して自然に稀である。 正常標本のパワーを十分に活用することで,十分な病理サンプルに頼ることを避けるため,正常試料からのみ学習し,病理学の知識をゼロにする形状正規度指標(SNM)を提案する。 データから自動的に推測されるランドマークによって形を表現し、正規群を多変量ガウス分布でモデル化する。 頭蓋骨、大腿骨、肩甲骨、上腕骨を含む様々な解剖学的データセットに関する広範な実験は、snmが効果的な正常度測定を提供し、病理を著しく検出し示すことができることを示した。 したがって、SNMは様々な臨床応用において有望な価値を提供する。

関連論文リスト

• GLAD: Towards Better Reconstruction with Global and Local Adaptive Diffusion Models for Unsupervised Anomaly Detection [60.78684630040313]
  拡散モデルは、特定のノイズを付加したテスト画像の通常の画像を再構成する傾向がある。 世界的視点から見ると、異なる異常による画像再構成の難しさは不均一である。 本稿では,非教師付き異常検出のためのグローバルかつ局所的な適応拡散モデル(GLADと略す)を提案する。
  論文  参考訳（メタデータ） (2024-06-11T17:27:23Z)
• 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)
• Multi-modal Variational Autoencoders for normative modelling across multiple imaging modalities [0.1534667887016089]
  本稿では,T1およびDTIデータ間の主観レベルずれを検出するための2つのマルチモーダルVAE規範モデルを提案する。 提案モデルでは, 疾患を検知し, 重症度を把握し, 患者の認知と相関する可能性が示唆された。
  論文  参考訳（メタデータ） (2023-03-16T09:14:48Z)
• Diversity-Measurable Anomaly Detection [106.07413438216416]
  本稿では,再構成の多様性を高めるため,DMAD(Diversity-Measurable Anomaly Detection)フレームワークを提案する。 PDMは基本的に、変形を埋め込みから分離し、最終的な異常スコアをより信頼性を高める。
  論文  参考訳（メタデータ） (2023-03-09T05:52:42Z)
• Prototypical Residual Networks for Anomaly Detection and Localization [80.5730594002466]
  本稿では,PRN(Prototypeal Residual Network)というフレームワークを提案する。 PRNは、異常領域の分割マップを正確に再構築するために、異常領域と正常パターンの間の様々なスケールとサイズの特徴的残差を学習する。 異常を拡大・多様化するために,見かけの相違と外観の相違を考慮に入れた様々な異常発生戦略を提示する。
  論文  参考訳（メタデータ） (2022-12-05T05:03:46Z)
• Catching Both Gray and Black Swans: Open-set Supervised Anomaly Detection [90.32910087103744]
  ラベル付き異常な例は、多くの現実世界のアプリケーションでよく見られる。 これらの異常例は、アプリケーション固有の異常について貴重な知識を提供する。 トレーニング中に見られる異常は、可能なあらゆる種類の異常を説明できないことが多い。 本稿では,オープンセット型教師付き異常検出に取り組む。
  論文  参考訳（メタデータ） (2022-03-28T05:21:37Z)
• 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)
• NormVAE: Normative Modeling on Neuroimaging Data using Variational Autoencoders [0.776692116806953]
  ディープオートエンコーダは規範的モデルとして実装され、患者レベルの偏差は、偏差の不確実性な推定をせずに、実際の入力と再構成された入力の正方形差としてモデル化されている。 本研究では,主観的規範的異常マップ(NAM)を算出し,偏差の不確かさを定量化する,新しい規範的モデリングに基づく変分オートエンコーダ(VAE)について検討した。
  論文  参考訳（メタデータ） (2021-10-10T20:55:34Z)
• 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)
• Manifolds for Unsupervised Visual Anomaly Detection [79.22051549519989]
  トレーニングで必ずしも異常に遭遇しない教師なしの学習方法は、非常に有用です。 ジャイロプレーン層を用いた立体投影による超球形変分オートエンコーダ(VAE)を開発した。 工業用AIシナリオにおける実世界の実用性を実証し、精密製造および検査における視覚異常ベンチマークの最先端結果を示す。
  論文  参考訳（メタデータ） (2020-06-19T20:41:58Z)

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。