論文の概要: Self-Supervised Out-of-Distribution Detection in Brain CT Scans

• arxiv url: http://arxiv.org/abs/2011.05428v1
• Date: Tue, 10 Nov 2020 22:21:48 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-27 08:06:38.595931
• Title: Self-Supervised Out-of-Distribution Detection in Brain CT Scans
• Title（参考訳）: 脳ctスキャンにおける自己教師付き分布外検出
• Authors: Abinav Ravi Venkatakrishnan, Seong Tae Kim, Rami Eisawy, Franz Pfister, Nassir Navab
• Abstract要約: 本稿では,異常検出のための自己教師付き学習手法を提案する。 私たちのアーキテクチャは、主に、1)再構成と2)幾何学的変換を予測する2つの部分で構成されています。 試験時間において、幾何変換予測器は、幾何変換と予測との誤差を計算することにより、異常スコアを割り当てることができる。
• 参考スコア（独自算出の注目度）: 46.78055929759839
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Medical imaging data suffers from the limited availability of annotation because annotating 3D medical data is a time-consuming and expensive task. Moreover, even if the annotation is available, supervised learning-based approaches suffer highly imbalanced data. Most of the scans during the screening are from normal subjects, but there are also large variations in abnormal cases. To address these issues, recently, unsupervised deep anomaly detection methods that train the model on large-sized normal scans and detect abnormal scans by calculating reconstruction error have been reported. In this paper, we propose a novel self-supervised learning technique for anomaly detection. Our architecture largely consists of two parts: 1) Reconstruction and 2) predicting geometric transformations. By training the network to predict geometric transformations, the model could learn better image features and distribution of normal scans. In the test time, the geometric transformation predictor can assign the anomaly score by calculating the error between geometric transformation and prediction. Moreover, we further use self-supervised learning with context restoration for pretraining our model. By comparative experiments on clinical brain CT scans, the effectiveness of the proposed method has been verified.
• Abstract（参考訳）: 医用画像データは、3D医療データの注釈付けに時間がかかり、コストがかかるため、アノテーションの入手が限られている。 さらに、たとえアノテーションが利用可能であっても、教師付き学習ベースのアプローチは高度に不均衡なデータに苦しむ。 スクリーニング中のスキャンのほとんどは正常な被験者によるものだが、異常な症例も多様である。 これらの問題に対処するため,近年,大規模正規スキャンでモデルを訓練し,再構成誤差を算出した異常スキャンを検出する,教師なし深部異常検出法が報告されている。 本稿では,異常検出のための新しい自己教師あり学習手法を提案する。 私たちのアーキテクチャは2つの部分で構成されています。 1)再建・再建 2)幾何変換を予測する。 ネットワークをトレーニングして幾何学的変換を予測することで、モデルがより優れた画像特徴と正規スキャンの分布を学ぶことができる。 テスト時間において、幾何変換予測器は、幾何変換と予測の間の誤差を計算して異常スコアを割り当てることができる。 さらに,自己教師型学習と文脈復元を併用して,モデルの事前学習を行う。 臨床脳CTにおける比較実験により,提案法の有効性が検証された。

関連論文リスト

• Image anomaly detection and prediction scheme based on SSA optimized ResNet50-BiGRU model [6.95262627755758]
  本稿では,Residual Network(ResNet)とBidirectional Gated Recurrent Unit(BiGRU)を組み合わせたネットワークを提案する。 ビデオ画像から筋肉や骨のポーズの変化を分析して、潜在的な損傷のタイプを予測し、早期警告を提供する。 4つのデータセットで行った実験により、我々のモデルは他のモデルと比較して画像異常検出において最小の誤差を持つことが示された。
  論文  参考訳（メタデータ） (2024-06-20T04:26:45Z)
• 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)
• Evaluation of pseudo-healthy image reconstruction for anomaly detection with deep generative models: Application to brain FDG PET [3.5250480324981406]
  本研究では,現実的な異常画像のシミュレーションに基づく評価手法を提案する。 この枠組みを畳み込み変分オートエンコーダを用いた3次元脳FDG PETの再構成に適用する。
  論文  参考訳（メタデータ） (2024-01-29T18:02:22Z)
• Position Regression for Unsupervised Anomaly Detection [0.8999666725996974]
  座標回帰に基づく新しい異常検出手法を提案する。 本手法は,健康な被験者のデータのみに基づいて,ボリューム内のパッチの位置を推定する。 本手法は,画像再構成に係わる他の手法よりも少ないメモリを必要とすることを示す。
  論文  参考訳（メタデータ） (2023-01-19T13:22:11Z)
• Supervised Anomaly Detection Method Combining Generative Adversarial Networks and Three-Dimensional Data in Vehicle Inspections [0.0]
  車両の床下機器の外部視界検査は現在、人間の視界検査によって行われている。 本研究では,3次元コンピュータグラフィックス上で生成した逆数ネットワークを用いたスタイル変換手法を提案する。
  論文  参考訳（メタデータ） (2022-12-22T06:39:52Z)
• Self-Supervised Masked Convolutional Transformer Block for Anomaly Detection [122.4894940892536]
  本稿では, 自己監督型マスク型畳み込み変圧器ブロック (SSMCTB) について述べる。 本研究では,従来の自己教師型予測畳み込み抑止ブロック(SSPCAB)を3次元マスク付き畳み込み層,チャンネルワイドアテンション用トランスフォーマー,およびハマーロスに基づく新たな自己教師型目標を用いて拡張する。
  論文  参考訳（メタデータ） (2022-09-25T04:56:10Z)
• 3D unsupervised anomaly detection and localization through virtual multi-view projection and reconstruction: Clinical validation on low-dose chest computed tomography [2.2302915692528367]
  仮想多視点投影と再構成と呼ばれるコンピュータ支援診断のためのディープニューラルネットワークに基づく手法を提案する。 本手法は, 教師あり学習に基づくゴールド標準と比較して, 患者レベルの異常検出を10%改善する。 異常領域を93%の精度でローカライズし、高い性能を示す。
  論文  参考訳（メタデータ） (2022-06-18T13:22:00Z)
• 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)
• Explainable multiple abnormality classification of chest CT volumes with AxialNet and HiResCAM [89.2175350956813]
  本稿では,容積医用画像における多変量分類の課題について紹介する。 本稿では,複数のインスタンス学習型畳み込みニューラルネットワークであるAxialNetを提案する。 そして、HiResCAMと3D許容領域を利用した新しいマスクロスにより、モデルの学習を改善することを目指す。
  論文  参考訳（メタデータ） (2021-11-24T01:14:33Z)
• CutPaste: Self-Supervised Learning for Anomaly Detection and Localization [59.719925639875036]
  通常のトレーニングデータのみを用いて異常検知器を構築するためのフレームワークを提案する。 まず、自己教師付き深層表現を学習し、学習した表現の上に生成的1クラス分類器を構築する。 MVTec異常検出データセットに関する実証研究は,提案アルゴリズムが実世界の様々な欠陥を検出可能であることを実証している。
  論文  参考訳（メタデータ） (2021-04-08T19:04:55Z)

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。