論文の概要: Decomposing Normal and Abnormal Features of Medical Images into Discrete Latent Codes for Content-Based Image Retrieval

• arxiv url: http://arxiv.org/abs/2103.12328v1
• Date: Tue, 23 Mar 2021 05:53:53 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-24 13:54:41.965717
• Title: Decomposing Normal and Abnormal Features of Medical Images into Discrete Latent Codes for Content-Based Image Retrieval
• Title（参考訳）: コンテンツベース画像検索のための離散潜在コードへの医用画像の正規および異常特徴の分解
• Authors: Kazuma Kobayashi, Ryuichiro Hataya, Yusuke Kurose, Mototaka Miyake, Masamichi Takahashi, Akiko Nakagawa, Tatsuya Harada, Ryuji Hamamoto
• Abstract要約: 医用画像の意味的成分を2つの潜伏符号(正常解剖符号と異常解剖符号)に分解するニューラルネットワークアーキテクチャを提案する。 本アルゴリズムは、グリオーマの脳磁気共鳴画像からなるデータセットから選択されたセマンティクス成分に従って画像を取得できる。
• 参考スコア（独自算出の注目度）: 41.344019939088106
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In medical imaging, the characteristics purely derived from a disease should reflect the extent to which abnormal findings deviate from the normal features. Indeed, physicians often need corresponding images without abnormal findings of interest or, conversely, images that contain similar abnormal findings regardless of normal anatomical context. This is called comparative diagnostic reading of medical images, which is essential for a correct diagnosis. To support comparative diagnostic reading, content-based image retrieval (CBIR), which can selectively utilize normal and abnormal features in medical images as two separable semantic components, will be useful. Therefore, we propose a neural network architecture to decompose the semantic components of medical images into two latent codes: normal anatomy code and abnormal anatomy code. The normal anatomy code represents normal anatomies that should have existed if the sample is healthy, whereas the abnormal anatomy code attributes to abnormal changes that reflect deviation from the normal baseline. These latent codes are discretized through vector quantization to enable binary hashing, which can reduce the computational burden at the time of similarity search. By calculating the similarity based on either normal or abnormal anatomy codes or the combination of the two codes, our algorithm can retrieve images according to the selected semantic component from a dataset consisting of brain magnetic resonance images of gliomas. Our CBIR system qualitatively and quantitatively achieves remarkable results.
• Abstract（参考訳）: 画像診断では、疾患の純粋由来の特徴は、異常所見が正常な特徴から逸脱する程度を反映しるべきである。 実際、医師は興味のある異常な所見のない対応する画像や、逆に正常な解剖学的文脈に関わらず同様の異常な所見を含む画像を必要とすることが多い。 これは、医療画像の比較診断読取と呼ばれ、正しい診断に必須である。 医用画像の正常な特徴と異常な特徴を2つの分離可能な意味成分として選択的に活用できるコンテンツベース画像検索(CBIR)が有用である。 そこで我々は,医用画像の意味成分を,正常な解剖コードと異常な解剖コードという2つの潜在コードに分解するニューラルネットワークアーキテクチャを提案する。 正常な解剖コードは、サンプルが正常であれば存在したはずの正常な解剖であり、異常な解剖コードは、正常な基準線からの逸脱を反映した異常な変化である。 これらの潜在コードはベクトル量子化によって離散化され、バイナリハッシュ化が可能となり、類似性探索時の計算負荷を軽減できる。 グリオーマの脳磁気共鳴画像からなるデータセットから、正常または異常な解剖符号と2つの符号の組み合わせに基づいて類似性を計算することにより、選択した意味成分に従って画像を取得することができる。 我々のcbirシステムは定性的かつ定量的に優れた結果を得る。

関連論文リスト

• Spatial-aware Attention Generative Adversarial Network for Semi-supervised Anomaly Detection in Medical Image [63.59114880750643]
  本稿では,一級半教師付き健康画像生成のための空間意識生成ネットワーク(SAGAN)について紹介する。 SAGANは、正常な画像の復元と擬似異常画像の復元によって導かれる、ラベルのないデータに対応する高品質な健康画像を生成する。 3つの医学データセットに対する大規模な実験は、提案されたSAGANが最先端の手法よりも優れていることを示した。
  論文  参考訳（メタデータ） (2024-05-21T15:41:34Z)
• MedIAnomaly: A comparative study of anomaly detection in medical images [26.319602363581442]
  異常検出(AD)は、期待される正常なパターンから逸脱する異常なサンプルを検出することを目的としている。 医療用AD法は多岐にわたるが, 公平かつ包括的評価の欠如が指摘されている。 本稿では,比較を統一したベンチマークを構築した。
  論文  参考訳（メタデータ） (2024-04-06T06:18:11Z)
• Region-based Contrastive Pretraining for Medical Image Retrieval with Anatomic Query [56.54255735943497]
  医用画像検索のための地域別コントラスト事前トレーニング(RegionMIR) 医用画像検索のための領域ベースコントラスト事前トレーニング(RegionMIR)について紹介する。
  論文  参考訳（メタデータ） (2023-05-09T16:46:33Z)
• Industrial and Medical Anomaly Detection Through Cycle-Consistent Adversarial Networks [0.6554326244334868]
  産業用および医療用画像に対する新しい異常検出(AD)手法を提案する。 提案手法では,Cycle-Generative Adrial Networks (Cycle-GAN) を用いて正規語から正規語への翻訳を行う。 その結果, 正負の制約をゼロとする精度が, 最先端の手法と比較して高いことがわかった。
  論文  参考訳（メタデータ） (2023-02-10T10:25:12Z)
• Proxy-bridged Image Reconstruction Network for Anomaly Detection in Medical Images [59.700111685673846]
  医学画像における異常検出は、トレーニングセット内の正常画像のみを含む異常画像の識別を指す。 本稿では,医療画像の異常検出のための新しいプロキシブリッジ画像再構成ネットワーク(ProxyAno)を提案する。
  論文  参考訳（メタデータ） (2021-10-05T00:40:43Z)
• Decomposing Normal and Abnormal Features of Medical Images for Content-based Image Retrieval [45.42581779946973]
  本稿では,医療画像を通常の解剖コードと異常解剖コードという2つの離散的な潜伏符号に分解するエンコーダ・デコーダネットワークを提案する。 これらの潜伏符号を用いて,医用画像の正常な特徴と異常な特徴に焦点をあてて類似性検索を行う。
  論文  参考訳（メタデータ） (2020-11-12T06:25:49Z)
• 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)
• Learning Global and Local Features of Normal Brain Anatomy for Unsupervised Abnormality Detection [35.15777802684473]
  脳磁気共鳴画像における画素ワイド異常検出のための教師なし学習フレームワークを実証した。 画像再構成ネットワークが正常な解剖のグローバルな特徴を忠実に再現できるなら、見えない画像の異常な病変を識別できる。 以上の結果より, 転移性脳腫瘍, 頭蓋外転移腫瘍, 術後の空洞, 構造変化は0.78, 0.61, 0.91, 0.60であった。
  論文  参考訳（メタデータ） (2020-05-26T08:46:32Z)

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。