論文の概要: Unsupervised Brain Anomaly Detection and Segmentation with Transformers
- arxiv url: http://arxiv.org/abs/2102.11650v1
- Date: Tue, 23 Feb 2021 12:10:58 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-25 03:00:37.835297
- Title: Unsupervised Brain Anomaly Detection and Segmentation with Transformers
- Title（参考訳）: トランスを用いた非監視脳異常検出とセグメンテーション
- Authors: Walter Hugo Lopez Pinaya, Petru-Daniel Tudosiu, Robert Gray, Geraint
Rees, Parashkev Nachev, Sebastien Ourselin, M. Jorge Cardoso
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 2.559418792403512
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Pathological brain appearances may be so heterogeneous as to be intelligible
only as anomalies, defined by their deviation from normality rather than any
specific pathological characteristic. Amongst the hardest tasks in medical
imaging, detecting such anomalies requires models of the normal brain that
combine compactness with the expressivity of the complex, long-range
interactions that characterise its structural organisation. These are
requirements transformers have arguably greater potential to satisfy than other
current candidate architectures, but their application has been inhibited by
their demands on data and computational resource. Here we combine the latent
representation of vector quantised variational autoencoders with an ensemble of
autoregressive transformers to enable unsupervised anomaly detection and
segmentation defined by deviation from healthy brain imaging data, achievable
at low computational cost, within relative modest data regimes. We compare our
method to current state-of-the-art approaches across a series of experiments
involving synthetic and real pathological lesions. On real lesions, we train
our models on 15,000 radiologically normal participants from UK Biobank, and
evaluate performance on four different brain MR datasets with small vessel
disease, demyelinating lesions, and tumours. We demonstrate superior anomaly
detection performance both image-wise and pixel-wise, achievable without
post-processing. These results draw attention to the potential of transformers
in this most challenging of imaging tasks.
- Abstract（参考訳）: 病理的な脳の外観は、特定の病理学的特徴よりも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。
医用画像における最も困難な課題のうち、そのような異常を検出するには、コンパクトさと構造組織を特徴づける複雑な長距離相互作用の表現力を組み合わせた正常な脳のモデルが必要である。
これらの要件トランスフォーマーは、現在の他の候補アーキテクチャよりも満足できる可能性が高いが、データや計算資源に対する要求により、その応用は阻害されている。
本稿では,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で,比較的控えめなデータレジーム内で,正常な脳画像データからの逸脱によって定義された教師なし異常検出とセグメンテーションを実現する。
本手法と現状のアプローチを比較して, 合成病変および実際の病理病変を含む一連の実験を行った。
実際の病変では,UK Biobankの放射線学的に正常な被験者15,000名を対象にモデルをトレーニングし,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。
画像ワイドと画素ワイドの両方で優れた異常検出性能を示し、後処理なしで達成できることを示す。
これらの結果は、この最も困難なイメージングタスクにおいてトランスフォーマーの可能性に注意を向ける。
関連論文リスト
- Advancing Medical Image Segmentation: Morphology-Driven Learning with Diffusion Transformer [4.672688418357066]
本稿では,雑音の存在下での頑健なセグメンテーションのためのトランスフォーマー拡散(DTS)モデルを提案する。
画像の形態的表現を解析する本モデルでは, 種々の医用画像モダリティにおいて, 従来のモデルよりも良好な結果が得られた。
論文 参考訳（メタデータ） (2024-08-01T07:35:54Z) - Understanding differences in applying DETR to natural and medical images [16.200340490559338]
トランスフォーマーベースの検出器は、自然画像を用いたコンピュータビジョンタスクで成功している。
医用画像データには、非常に大きな画像サイズ、興味の少ない領域の小さい領域、微妙な違いによってのみ区別できるオブジェクトクラスなど、固有の課題がある。
本研究は, 検診用マンモグラフィーデータセットに適用した場合に, これらのトランスフォーマーに基づく設計選択の適用性を評価するものである。
論文 参考訳（メタデータ） (2024-05-27T22:06:42Z) - CathFlow: Self-Supervised Segmentation of Catheters in Interventional Ultrasound Using Optical Flow and Transformers [66.15847237150909]
縦型超音波画像におけるカテーテルのセグメンテーションのための自己教師型ディープラーニングアーキテクチャを提案する。
ネットワークアーキテクチャは、Attention in Attentionメカニズムで構築されたセグメンテーショントランスフォーマであるAiAReSeg上に構築されている。
我々は,シリコンオルタファントムから収集した合成データと画像からなる実験データセット上で,我々のモデルを検証した。
論文 参考訳（メタデータ） (2024-03-21T15:13:36Z) - Disentangled Multimodal Brain MR Image Translation via Transformer-based
Modality Infuser [12.402947207350394]
マルチモーダル脳MR画像の合成を目的としたトランスフォーマーを用いたモダリティインジェクタを提案する。
本手法では,エンコーダからモダリティに依存しない特徴を抽出し,その特徴をモダリティ固有の特徴に変換する。
われわれはBraTS 2018データセットで4つのMRモードを変換する実験を行った。
論文 参考訳（メタデータ） (2024-02-01T06:34:35Z) - On Sensitivity and Robustness of Normalization Schemes to Input
Distribution Shifts in Automatic MR Image Diagnosis [58.634791552376235]
深層学習(DL)モデルは、再構成画像を入力として、複数の疾患の診断において最先端のパフォーマンスを達成した。
DLモデルは、トレーニングとテストフェーズ間の入力データ分布の変化につながるため、さまざまなアーティファクトに敏感である。
本稿では,グループ正規化やレイヤ正規化といった他の正規化手法を用いて,画像のさまざまなアーチファクトに対して,モデル性能にロバスト性を注入することを提案する。
論文 参考訳（メタデータ） (2023-06-23T03:09:03Z) - 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) - Improving Deep Facial Phenotyping for Ultra-rare Disorder Verification
Using Model Ensembles [52.77024349608834]
我々は、DCNNを最先端の顔認識手法であるiResNetとArcFaceに置き換える影響を分析する。
提案するアンサンブルモデルにより,目視と目視の両障害に対する最先端のパフォーマンスが達成される。
論文 参考訳（メタデータ） (2022-11-12T23:28:54Z) - Fast Unsupervised Brain Anomaly Detection and Segmentation with
Diffusion Models [1.6352599467675781]
脳画像における異常検出とセグメント分割のための拡散モデルに基づく手法を提案する。
拡散モデルは,2次元CTおよびMRIデータを用いた一連の実験において,自己回帰的アプローチと比較して競争性能が向上する。
論文 参考訳（メタデータ） (2022-06-07T17:30:43Z) - 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) - 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) - Brain Tumor Anomaly Detection via Latent Regularized Adversarial Network [34.81845999071626]
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。
論文 参考訳（メタデータ） (2020-07-09T12:12:16Z)
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。