論文の概要: DeScarGAN: Disease-Specific Anomaly Detection with Weak Supervision

• arxiv url: http://arxiv.org/abs/2007.14118v1
• Date: Tue, 28 Jul 2020 10:50:38 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-06 02:45:20.131307
• Title: DeScarGAN: Disease-Specific Anomaly Detection with Weak Supervision
• Title（参考訳）: DeScarGAN:Weak Supervisionによる疾患特異的異常検出
• Authors: Julia Wolleb, Robin Sandk\"uhler and Philippe C. Cattin
• Abstract要約: 医用画像における異常検出のための弱教師付き詳細保存法を提案する。 本手法では,同じ疾患に罹患した患者のグループと健常なコントロールグループという2つのグループから,疾患の特徴に関する情報を抽出する。 DeScarGANという手法は、合成データセット上の他の異常検出方法よりも優れており、胸部X線画像データセットの視覚検査によって優れている。
• 参考スコア（独自算出の注目度）: 0.98314893665023
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Anomaly detection and localization in medical images is a challenging task, especially when the anomaly exhibits a change of existing structures, e.g., brain atrophy or changes in the pleural space due to pleural effusions. In this work, we present a weakly supervised and detail-preserving method that is able to detect structural changes of existing anatomical structures. In contrast to standard anomaly detection methods, our method extracts information about the disease characteristics from two groups: a group of patients affected by the same disease and a healthy control group. Together with identity-preserving mechanisms, this enables our method to extract highly disease-specific characteristics for a more detailed detection of structural changes. We designed a specific synthetic data set to evaluate and compare our method against state-of-the-art anomaly detection methods. Finally, we show the performance of our method on chest X-ray images. Our method called DeScarGAN outperforms other anomaly detection methods on the synthetic data set and by visual inspection on the chest X-ray image data set.
• Abstract（参考訳）: 特に、異常が既存の構造の変化、例えば、脳萎縮や胸水による胸腔の変化を示す場合には、医療画像における異常の検出と局在化は困難な課題である。 本研究では,既存の解剖学的構造の構造変化を検出できる弱制御・詳細保存手法を提案する。 従来の異常検出法とは対照的に,同疾患に罹患した患者群と健常者群という2つのグループから,疾患の特徴に関する情報を抽出する。 同一性保存機構とともに,より詳細な構造変化の検出のために,疾患特異的な特徴を抽出できる。 本手法を最先端異常検出法と比較するために, 特定の合成データセットを設計した。 最後に,胸部x線画像における提案手法の性能を示す。 DeScarGANという手法は、合成データセットの他の異常検出方法よりも優れており、胸部X線画像データセットの視覚検査によって優れている。

関連論文リスト

• Expert Uncertainty and Severity Aware Chest X-Ray Classification by Multi-Relationship Graph Learning [48.29204631769816]
  我々はCXRレポートから病気ラベルを再抽出し,重症度と分類の不確実性を考慮し,より現実的になるようにした。 以上の結果から, 疾患の重症度と不確実性を考慮したモデルが, 従来の最先端手法よりも優れていたことが示唆された。
  論文  参考訳（メタデータ） (2023-09-06T19:19:41Z)
• AutoPaint: A Self-Inpainting Method for Unsupervised Anomaly Detection [34.007468043336274]
  健全な解剖学の詳細を学習し,高解像度画像の再構成を行うために,ロバストな塗装モデルを提案する。 また,腫瘍を自動的に検出し,その外観を健康な解剖学に置き換えるオートインペインティングパイプラインを提案し,そのセグメントに基づいて腫瘍の体積を推定した。
  論文  参考訳（メタデータ） (2023-05-21T05:45:38Z)
• Employing similarity to highlight differences: On the impact of anatomical assumptions in chest X-ray registration methods [2.080328156648695]
  我々は,国立衛生研究所(NIH)データセット上に,解剖学的にペナル化した畳み込み型多段階解を開発した。 本手法は,ワープフィールドの折り畳み率を技術状態の1/6に制限する自然な方法であることを示す。 本手法の利点を統計的に評価し,胸部X線登録における現在使用されている指標の限界を強調した。
  論文  参考訳（メタデータ） (2023-01-23T09:42:49Z)
• 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)
• Texture Characterization of Histopathologic Images Using Ecological Diversity Measures and Discrete Wavelet Transform [82.53597363161228]
  本稿では,病理組織像間でテクスチャを特徴付ける手法を提案する。 2つのHIデータセットに有望な精度で、そのような画像の固有特性を定量化することが可能である。
  論文  参考訳（メタデータ） (2022-02-27T02:19:09Z)
• SQUID: Deep Feature In-Painting for Unsupervised Anomaly Detection [76.01333073259677]
  無線画像からの異常検出のための空間認識型メモリキューを提案する(略してSQUID)。 SQUIDは, 微細な解剖学的構造を逐次パターンに分類でき, 推測では画像中の異常(見えない/修正されたパターン)を識別できる。
  論文  参考訳（メタデータ） (2021-11-26T13:47:34Z)
• Variational Knowledge Distillation for Disease Classification in Chest X-Rays [102.04931207504173]
  我々は,X線に基づく疾患分類のための新しい確率的推論フレームワークである反復的知識蒸留(VKD)を提案する。 提案手法の有効性を,X線画像とEHRを用いた3つの公開ベンチマークデータセットに示す。
  論文  参考訳（メタデータ） (2021-03-19T14:13:56Z)
• Contralaterally Enhanced Networks for Thoracic Disease Detection [120.60868136876599]
  胸骨、肺野、気管支管など、胸部左右に類似した構造が多数存在する。 このような類似性は、広義の放射線学者の経験から、胸部X線における疾患の同定に利用することができる。 本稿では,病状提案の特徴表現を強化するために,対向的コンテキスト情報を活用するディープ・エンド・ツー・エンド・モジュールを提案する。
  論文  参考訳（メタデータ） (2020-10-09T10:15:26Z)
• Interpretation of Disease Evidence for Medical Images Using Adversarial Deformation Fields [4.2739669051600275]
  本稿では,病状証拠の空間的説明を定式化し提示する手法を提案する。 逆行訓練されたジェネレータは、疾患患者の画像を変更する変形場を生成し、健康な患者の画像に類似させる。 慢性閉塞性肺疾患(COPD)の胸部X線(CXR)およびアルツハイマー病(AD)の脳MRI所見について検討した。
  論文  参考訳（メタデータ） (2020-07-04T00:51:54Z)

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。