Fugu-MT 論文翻訳(概要): Unsupervised Detection of Cancerous Regions in Histology Imagery using Image-to-Image Translation

論文の概要: Unsupervised Detection of Cancerous Regions in Histology Imagery using Image-to-Image Translation

arxiv url: http://arxiv.org/abs/2104.13786v1
Date: Wed, 28 Apr 2021 14:19:00 GMT
ステータス: 処理完了
システム内更新日: 2021-04-29 12:53:20.156267
Title: Unsupervised Detection of Cancerous Regions in Histology Imagery using Image-to-Image Translation
Title（参考訳）: 画像から画像への変換による組織像中の癌領域の教師なし検出
Authors: Dejan Stepec and Danijel Skocaj
Abstract要約: 視覚異常の検出は、期待される視覚的外観に合致しない異なる画像データ内のパターンを見つけることの問題を指します。視覚異常の教師なし検出に対する最近のアプローチは,ラベル付きデータの必要性を排除している。既存の教師なしメソッドのパフォーマンスを大幅に上回る,画像から画像への翻訳ベースのフレームワークを提案する。
参考スコア（独自算出の注目度）: 3.7692411550925673
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Detection of visual anomalies refers to the problem of finding patterns in different imaging data that do not conform to the expected visual appearance and is a widely studied problem in different domains. Due to the nature of anomaly occurrences and underlying generating processes, it is hard to characterize them and obtain labeled data. Obtaining labeled data is especially difficult in biomedical applications, where only trained domain experts can provide labels, which often come in large diversity and complexity. Recently presented approaches for unsupervised detection of visual anomalies approaches omit the need for labeled data and demonstrate promising results in domains, where anomalous samples significantly deviate from the normal appearance. Despite promising results, the performance of such approaches still lags behind supervised approaches and does not provide a one-fits-all solution. In this work, we present an image-to-image translation-based framework that significantly surpasses the performance of existing unsupervised methods and approaches the performance of supervised methods in a challenging domain of cancerous region detection in histology imagery.
Abstract（参考訳）: 視覚異常の検出は、期待された視覚の外観に合致しない異なる画像データのパターンを見つける問題であり、異なる領域で広く研究されている問題である。異常発生の性質と基礎となる生成プロセスのため、それらの特徴付けとラベル付きデータの取得は困難である。ラベル付きデータの取得は、トレーニング済みのドメイン専門家だけがラベルを提供することができるバイオメディカルアプリケーションでは特に困難である。近年,視覚異常を教師なしで検出する手法が提案されている。ラベル付きデータの必要性をなくし,異常なサンプルが正常な外観から著しく逸脱する領域で有望な結果を示す。有望な結果にもかかわらず、そのようなアプローチのパフォーマンスは教師付きアプローチよりも遅れており、オールフィットのソリューションを提供していない。本研究では,既存の教師なし手法の性能を大幅に上回り,組織像における癌領域検出の挑戦領域における教師なし手法の性能にアプローチする画像から画像への翻訳に基づくフレームワークを提案する。

関連論文リスト

A Comprehensive Library for Benchmarking Multi-class Visual Anomaly Detection [52.228708947607636]
本稿では,新しい手法のモジュラーフレームワークであるADerを包括的視覚異常検出ベンチマークとして紹介する。このベンチマークには、産業ドメインと医療ドメインからの複数のデータセットが含まれており、15の最先端メソッドと9つの包括的なメトリクスを実装している。我々は,異なる手法の長所と短所を客観的に明らかにし,多クラス視覚異常検出の課題と今後の方向性について考察する。
論文参考訳（メタデータ） (2024-06-05T13:40:07Z)
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)
AnomalyDiffusion: Few-Shot Anomaly Image Generation with Diffusion Model [59.08735812631131]
製造業において異常検査が重要な役割を担っている。既存の異常検査手法は、異常データが不足しているため、その性能に制限がある。本稿では,新しい拡散型マイクロショット異常生成モデルであるAnomalyDiffusionを提案する。
論文参考訳（メタデータ） (2023-12-10T05:13:40Z)
On the Effectiveness of Image Manipulation Detection in the Age of Social Media [9.227950734832447]
操作検出アルゴリズムは、画像内の他の非干渉領域と十分に異なる'操作された領域に依存していることが多い。本稿では,ディープラーニングと学習自由な手法の詳細な分析を行い,その性能をベンチマークデータセット上で評価する。本稿では,操作領域に存在する異常をアクセント化する,ディープラーニングに基づく新しい前処理手法を提案する。
論文参考訳（メタデータ） (2023-04-19T04:05:54Z)
Prototypical Residual Networks for Anomaly Detection and Localization [80.5730594002466]
本稿では,PRN(Prototypeal Residual Network)というフレームワークを提案する。 PRNは、異常領域の分割マップを正確に再構築するために、異常領域と正常パターンの間の様々なスケールとサイズの特徴的残差を学習する。異常を拡大・多様化するために,見かけの相違と外観の相違を考慮に入れた様々な異常発生戦略を提示する。
論文参考訳（メタデータ） (2022-12-05T05:03:46Z)
Image Synthesis as a Pretext for Unsupervised Histopathological Diagnosis [3.7692411550925673]
視覚データの異常検出は、正常な症例と異常な外観を区別する問題を指す。近年のディープジェネレーティブモデルの発展は、監視されていない異常検出への適用への関心を喚起している。
論文参考訳（メタデータ） (2021-04-28T14:37:23Z)
Constrained Contrastive Distribution Learning for Unsupervised Anomaly Detection and Localisation in Medical Images [23.79184121052212]
UAD(Unsupervised Anomaly Detection)は、通常の(すなわち健康的な)画像でのみ1クラスの分類器を学習する。異常検出のための制約コントラスト分布学習(Constrained Contrastive Distribution Learning for Anomaly Detection, CCD)を提案する。本手法は,3種類の大腸内視鏡および底部検診データセットにおいて,最先端のUADアプローチよりも優れている。
論文参考訳（メタデータ） (2021-03-05T01:56:58Z)
Toward Deep Supervised Anomaly Detection: Reinforcement Learning from Partially Labeled Anomaly Data [150.9270911031327]
本稿では,一部のラベル付き異常事例と大規模ラベルなしデータセットを用いた異常検出の問題点について考察する。既存の関連手法は、通常、一連の異常にまたがらない限られた異常例にのみ適合するか、ラベルのないデータから教師なしの学習を進めるかのいずれかである。そこで本研究では,ラベル付きおよびラベルなし両方の異常の検出をエンドツーエンドに最適化する,深層強化学習に基づくアプローチを提案する。
論文参考訳（メタデータ） (2020-09-15T03:05:39Z)
Anomaly Detection in Medical Imaging with Deep Perceptual Autoencoders [1.7277957019593995]
画像異常検出の新しい強力な手法を提案する。これは、再設計されたトレーニングパイプラインを備えた古典的なオートエンコーダアプローチに依存している。複雑な医用画像解析タスクにおける最先端のアプローチよりも優れています。
論文参考訳（メタデータ） (2020-06-23T18:45:55Z)
Manifolds for Unsupervised Visual Anomaly Detection [79.22051549519989]
トレーニングで必ずしも異常に遭遇しない教師なしの学習方法は、非常に有用です。ジャイロプレーン層を用いた立体投影による超球形変分オートエンコーダ(VAE)を開発した。工業用AIシナリオにおける実世界の実用性を実証し、精密製造および検査における視覚異常ベンチマークの最先端結果を示す。
論文参考訳（メタデータ） (2020-06-19T20:41:58Z)
OIAD: One-for-all Image Anomaly Detection with Disentanglement Learning [23.48763375455514]
クリーンサンプルのみを用いたアンタングル学習に基づく一対一画像異常検出システムを提案する。 3つのデータセットを用いて実験したところ、OIADは90%以上の異常を検出できる一方で、誤報率も低く抑えられることがわかった。
論文参考訳（メタデータ） (2020-01-18T09:57:37Z)

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。