論文の概要: Image Synthesis as a Pretext for Unsupervised Histopathological Diagnosis

• arxiv url: http://arxiv.org/abs/2104.13797v1
• Date: Wed, 28 Apr 2021 14:37:23 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-29 12:41:24.655140
• Title: Image Synthesis as a Pretext for Unsupervised Histopathological Diagnosis
• Title（参考訳）: 教師なし病理診断の序文としての画像合成
• Authors: Dejan Stepec and Danijel Skocaj
• Abstract要約: 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。
• 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: Anomaly detection in visual data refers to the problem of differentiating abnormal appearances from normal cases. Supervised approaches have been successfully applied to different domains, but require an abundance of labeled data. Due to the nature of how anomalies occur and their underlying generating processes, it is hard to characterize and label them. Recent advances in deep generative-based models have sparked interest in applying such methods for unsupervised anomaly detection and have shown promising results in medical and industrial inspection domains. In this work we evaluate a crucial part of the unsupervised visual anomaly detection pipeline, that is needed for normal appearance modeling, as well as the ability to reconstruct closest looking normal and tumor samples. We adapt and evaluate different high-resolution state-of-the-art generative models from the face synthesis domain and demonstrate their superiority over currently used approaches on a challenging domain of digital pathology. Multifold improvement in image synthesis is demonstrated in terms of the quality and resolution of the generated images, validated also against the supervised model.
• Abstract（参考訳）: 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。 教師付きアプローチは、異なるドメインにうまく適用されているが、ラベル付きデータの豊富さを必要とする。 異常の発生とその基盤となる生成過程の性質のため、それらの特徴付けやラベル付けは困難である。 深層生成型モデルの最近の進歩は、このような非教師なし異常検出法の適用に関心を呼び起こし、医療および産業検査領域で有望な結果を示している。 本研究は, 正常な外観モデルに必要とされる非教師付き視覚異常検出パイプラインの重要な部分と, 近視正常および腫瘍標本を再構成する能力について評価する。 顔合成領域から得られた様々な高分解能状態生成モデルを適応・評価し、デジタル病理の挑戦的領域において現在使われているアプローチよりも優位性を示す。 画像合成におけるマルチフォールド改善は、生成画像の品質と解像度の観点から示され、教師付きモデルに対しても検証される。

関連論文リスト

• Synomaly Noise and Multi-Stage Diffusion: A Novel Approach for Unsupervised Anomaly Detection in Ultrasound Imaging [32.99597899937902]
  拡散モデルに基づく新しい教師なし異常検出フレームワークを提案する。 提案手法は, 合成ノイズ関数と多段拡散過程を組み込む。 提案手法は頸動脈US,脳MRI,肝CTを用いて検討した。
  論文  参考訳（メタデータ） (2024-11-06T15:43:51Z)
• 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)
• 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)
• MAEDiff: Masked Autoencoder-enhanced Diffusion Models for Unsupervised Anomaly Detection in Brain Images [40.89943932086941]
  脳画像における教師なし異常検出のためのMasked Autoencoder-enhanced Diffusion Model (MAEDiff)を提案する。 MAEDiffは、階層的なパッチ分割を含む。上層パッチを重畳して健全なイメージを生成し、サブレベルパッチで動作するマスク付きオートエンコーダに基づくメカニズムを実装し、未通知領域の状態を高める。
  論文  参考訳（メタデータ） (2024-01-19T08:54:54Z)
• 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)
• 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)
• 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)
• Unsupervised Detection of Cancerous Regions in Histology Imagery using Image-to-Image Translation [3.7692411550925673]
  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。
  論文  参考訳（メタデータ） (2021-04-28T14:19:00Z)
• Anomaly localization by modeling perceptual features [3.04585143845864]
  特徴拡張型VAEは、入力画像を画素空間や複数の異なる特徴空間で再構成することで訓練される。 MVTec異常検出およびローカライゼーションデータセットの最先端手法に対する明確な改善を実現する。
  論文  参考訳（メタデータ） (2020-08-12T15:09:13Z)
• 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)

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。