論文の概要: Improved Slice-wise Tumour Detection in Brain MRIs by Computing
Dissimilarities between Latent Representations
- arxiv url: http://arxiv.org/abs/2007.12528v1
- Date: Fri, 24 Jul 2020 14:02:09 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-07 06:21:14.322424
- Title: Improved Slice-wise Tumour Detection in Brain MRIs by Computing
Dissimilarities between Latent Representations
- Title（参考訳）: 潜在表現の差分計算による脳MRIのスライスワイズ検出の改善
- Authors: Alexandra-Ioana Albu, Alina Enescu and Luigi Malag\`o
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 68.8204255655161
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Anomaly detection for Magnetic Resonance Images (MRIs) can be solved with
unsupervised methods by learning the distribution of healthy images and
identifying anomalies as outliers. In presence of an additional dataset of
unlabelled data containing also anomalies, the task can be framed as a
semi-supervised task with negative and unlabelled sample points. Recently, in
Albu et al., 2020, we have proposed a slice-wise semi-supervised method for
tumour detection based on the computation of a dissimilarity function in the
latent space of a Variational AutoEncoder, trained on unlabelled data. The
dissimilarity is computed between the encoding of the image and the encoding of
its reconstruction obtained through a different autoencoder trained only on
healthy images. In this paper we present novel and improved results for our
method, obtained by training the Variational AutoEncoders on a subset of the
HCP and BRATS-2018 datasets and testing on the remaining individuals. We show
that by training the models on higher resolution images and by improving the
quality of the reconstructions, we obtain results which are comparable with
different baselines, which employ a single VAE trained on healthy individuals.
As expected, the performance of our method increases with the size of the
threshold used to determine the presence of an anomaly.
- Abstract（参考訳）: 磁気共鳴画像(MRI)の異常検出は、健康な画像の分布を学習し、異常を外れ値として同定することにより、教師なしの方法で解決することができる。
例外を含むラベルなしデータの追加データセットが存在する場合、そのタスクは、負のラベルなしのサンプルポイントを持つ半教師付きタスクとしてフレーム化することができる。
最近,2020年albu et al.において,非ラベルデータに基づいて訓練された変分オートエンコーダの潜在空間における異種性関数の計算に基づく,スライスワイズ半教師付き腫瘍検出法が提案されている。
健全な画像のみに訓練された異なるオートエンコーダにより得られた画像の符号化と、その再構成の符号化との間に相違が計算される。
本稿では,HCPおよびBRATS-2018データセットのサブセット上で変分オートエンコーダを訓練し,残りの個人を対象に実験を行い,提案手法の新規かつ改良された結果を示す。
本研究は,高解像度画像上でのモデルトレーニングと再現の質の向上により,健康な個人にトレーニングされた単一のVAEを用いて,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。
予想通り,本手法の性能は,異常の有無を判定するためのしきい値の大きさに比例して向上する。
関連論文リスト
- Unsupervised Contrastive Analysis for Salient Pattern Detection using Conditional Diffusion Models [13.970483987621135]
コントラスト分析(CA)は、背景(BG)データセットとターゲット(TG)データセット(不健康な被験者)を区別できる画像内のパターンを識別することを目的としている。
この話題に関する最近の研究は、BGサンプルからTGサンプルを分離するパターンを教師付きで学習するために、変分オートエンコーダ(VAE)や対照的な学習戦略に依存している。
自己教師付きコントラストエンコーダを用いて、入力画像から共通パターンのみを符号化する潜時表現を学習し、トレーニング中にBGデータセットからのみサンプルを用いて学習し、データ拡張技術を用いて対象パターンの分布を近似する。
論文 参考訳（メタデータ） (2024-06-02T15:19:07Z) - Adapting Visual-Language Models for Generalizable Anomaly Detection in Medical Images [68.42215385041114]
本稿では,CLIPモデルを用いた医用異常検出のための軽量な多レベル適応と比較フレームワークを提案する。
提案手法では,複数の残像アダプタを事前学習した視覚エンコーダに統合し,視覚的特徴の段階的向上を実現する。
医学的異常検出ベンチマーク実験により,本手法が現在の最先端モデルを大幅に上回っていることが示された。
論文 参考訳（メタデータ） (2024-03-19T09:28:19Z) - Shape Matters: Detecting Vertebral Fractures Using Differentiable
Point-Based Shape Decoding [51.38395069380457]
変性性脊椎疾患は高齢者に多い。
骨粗しょう性骨折やその他の変性変形性骨折のタイムリーな診断は、重度の腰痛や障害のリスクを軽減するための前向きな処置を促進する。
本研究では,脊椎動物に対する形状自動エンコーダの使用について検討する。
論文 参考訳（メタデータ） (2023-12-08T18:11:22Z) - A Two-Stage Generative Model with CycleGAN and Joint Diffusion for
MRI-based Brain Tumor Detection [41.454028276986946]
本稿では,脳腫瘍の検出とセグメンテーションを改善するための2段階生成モデル(TSGM)を提案する。
CycleGANは、未ペアデータに基づいてトレーニングされ、データとして正常な画像から異常な画像を生成する。
VE-JPは、合成対の異常画像をガイドとして使用して、健康な画像の再構成を行う。
論文 参考訳（メタデータ） (2023-11-06T12:58:26Z) - Diffusion Models for Counterfactual Generation and Anomaly Detection in Brain Images [39.94162291765236]
病気の画像の健全なバージョンを生成し,それを用いて画素単位の異常マップを得るための弱教師付き手法を提案する。
健常者を対象にした拡散モデルを用いて, サンプリングプロセスの各ステップで拡散拡散確率モデル (DDPM) と拡散拡散確率モデル (DDIM) を組み合わせる。
論文 参考訳（メタデータ） (2023-08-03T21:56:50Z) - Stain-invariant self supervised learning for histopathology image
analysis [74.98663573628743]
乳がんのヘマトキシリンおよびエオシン染色像におけるいくつかの分類課題に対する自己監督アルゴリズムを提案する。
本手法は,いくつかの乳がんデータセット上での最先端のパフォーマンスを実現する。
論文 参考訳（メタデータ） (2022-11-14T18:16:36Z) - Attentive Symmetric Autoencoder for Brain MRI Segmentation [56.02577247523737]
視覚変換器(ViT)をベースとした3次元脳MRIセグメンテーションタスクのための新しいアテンテーティブシンメトリオートエンコーダを提案する。
事前学習の段階では、提案するオートエンコーダがより注意を払って、勾配測定値に従って情報パッチを再構築する。
実験の結果,提案手法は最先端の自己教師付き学習法や医用画像分割モデルよりも優れていた。
論文 参考訳（メタデータ） (2022-09-19T09:43:19Z) - Margin-Aware Intra-Class Novelty Identification for Medical Images [2.647674705784439]
ノベルティ検出のためのハイブリッドモデル-変換に基づく埋め込み学習(TEND)を提案する。
事前訓練されたオートエンコーダを画像特徴抽出器として、TENDは変換されたオートエンコーダから分布内データの特徴埋め込みを偽のアウト・オブ・ディストリビューション入力として識別する。
論文 参考訳（メタデータ） (2021-07-31T00:10:26Z) - 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) - G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for
Biomarker Identification and Disease Classification [49.53651166356737]
診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。
2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
論文 参考訳（メタデータ） (2021-01-27T19:28:04Z)
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。