論文の概要: Unsupervised Anomaly Detection in MR Images using Multi-Contrast
Information
- arxiv url: http://arxiv.org/abs/2105.00463v1
- Date: Sun, 2 May 2021 13:05:36 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-05 02:36:16.103163
- Title: Unsupervised Anomaly Detection in MR Images using Multi-Contrast
Information
- Title(参考訳): マルチコントラスト情報を用いたMR画像の教師なし異常検出
- Authors: Byungjai Kim, Kinam Kwon, Changheun Oh, and Hyunwook Park
- Abstract要約: 医用画像における異常検出は、疾患の関連バイオマーカーを正常な組織と区別することである。
深い教師付き学習手法は様々な検出課題に有意な可能性があるが、その性能は医療画像分野では限られている。
本稿では,マルチコントラストMRI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開発した。
- 参考スコア(独自算出の注目度): 3.7273619690170796
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Anomaly detection in medical imaging is to distinguish the relevant
biomarkers of diseases from those of normal tissues. Deep supervised learning
methods have shown potentials in various detection tasks, but its performances
would be limited in medical imaging fields where collecting annotated anomaly
data is limited and labor-intensive. Therefore, unsupervised anomaly detection
can be an effective tool for clinical practices, which uses only unlabeled
normal images as training data. In this paper, we developed an unsupervised
learning framework for pixel-wise anomaly detection in multi-contrast magnetic
resonance imaging (MRI). The framework has two steps of feature generation and
density estimation with Gaussian mixture model (GMM). A feature is derived
through the learning of contrast-to-contrast translation that effectively
captures the normal tissue characteristics in multi-contrast MRI. The feature
is collaboratively used with another feature that is the low-dimensional
representation of multi-contrast images. In density estimation using GMM, a
simple but efficient way is introduced to handle the singularity problem which
interrupts the joint learning process. The proposed method outperforms previous
anomaly detection approaches. Quantitative and qualitative analyses demonstrate
the effectiveness of the proposed method in anomaly detection for
multi-contrast MRI.
- Abstract(参考訳): 医用画像における異常検出は、疾患の関連バイオマーカーを正常な組織と区別することである。
深い教師付き学習法は、様々な検出タスクにおいてポテンシャルを示してきたが、そのパフォーマンスは、注釈付き異常データの収集が制限され、労働集約的な医療画像分野で制限される。
したがって、教師なし異常検出は、未ラベルの正常画像のみをトレーニングデータとして利用する臨床実践に有効なツールである。
本稿では,マルチコントラストMRI(Multi-Contrast MRI)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開発した。
このフレームワークは、ガウス混合モデル(gmm)による特徴生成と密度推定の2つのステップを持つ。
この特徴は、コントラストmriで正常な組織特性を効果的に捉えるコントラスト変換の学習を通して得られる。
この機能は、マルチコントラスト画像の低次元表現である別の特徴と協調的に使用される。
GMMを用いた密度推定では、結合学習過程を中断する特異性問題に対処するために、単純だが効率的な方法が導入された。
提案手法は従来の異常検出手法よりも優れている。
マルチコントラストMRIの異常検出における提案手法の有効性を定量的,定性的に検証した。
関連論文リスト
- Private, Efficient and Scalable Kernel Learning for Medical Image Analysis [1.7999333451993955]
OKRA(Orthonormal K-fRAmes)は、カーネルベースの機械学習のための新しいランダム化符号化ベースのアプローチである。
現在の最先端ソリューションと比較して、スケーラビリティとスピードが大幅に向上します。
論文 参考訳(メタデータ) (2024-10-21T10:03:03Z) - Discrepancy-based Diffusion Models for Lesion Detection in Brain MRI [1.8420387715849447]
拡散確率モデル(DPM)はコンピュータビジョンタスクにおいて大きな効果を示した。
彼らの顕著なパフォーマンスはラベル付きデータセットに大きく依存しており、医療画像への適用を制限する。
本稿では,異なる特徴を取り入れた新しい枠組みを提案する。
論文 参考訳(メタデータ) (2024-05-08T11:26:49Z) - 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) - Style transfer between Microscopy and Magnetic Resonance Imaging via
Generative Adversarial Network in small sample size settings [49.84018914962972]
磁気共鳴イメージング(MRI)のクロスモーダル増強と、同じ組織サンプルに基づく顕微鏡イメージングが期待できる。
コンディショナル・ジェネレーティブ・逆境ネットワーク (cGAN) アーキテクチャを用いて, コーパス・カロサムのMRI画像から顕微鏡組織像を生成する方法を検討した。
論文 参考訳(メタデータ) (2023-10-16T13:58:53Z) - AnoDODE: Anomaly Detection with Diffusion ODE [0.0]
異常検出は、データセットの大部分から著しく逸脱する非定型的なデータサンプルを特定するプロセスである。
医用画像から抽出した特徴量の密度を推定し,拡散モードに基づく新しい異常検出手法を提案する。
提案手法は異常を識別するだけでなく,画像レベルと画素レベルでの解釈性も提供する。
論文 参考訳(メタデータ) (2023-10-10T08:44:47Z) - Improving Vision Anomaly Detection with the Guidance of Language
Modality [64.53005837237754]
本稿では,マルチモーダルの観点から視覚モダリティの課題に取り組む。
本稿では,冗長な情報問題とスパース空間問題に対処するために,クロスモーダルガイダンス(CMG)を提案する。
視覚異常検出のためのよりコンパクトな潜在空間を学習するために、CMLEは言語モダリティから相関構造行列を学習する。
論文 参考訳(メタデータ) (2023-10-04T13:44:56Z) - 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) - Dual-distribution discrepancy with self-supervised refinement for
anomaly detection in medical images [29.57501199670898]
我々は、既知の正規画像と未ラベル画像を利用するために、一級半教師付き学習(OC-SSL)を導入する。
再構成ネットワークのアンサンブルは、正規画像の分布と、正規画像と未ラベル画像の両方の分布をモデル化するように設計されている。
本稿では,異常を直接検出するのではなく,異常スコアを改良する自己教師型学習の新しい視点を提案する。
論文 参考訳(メタデータ) (2022-10-09T11:18:45Z) - Texture Characterization of Histopathologic Images Using Ecological
Diversity Measures and Discrete Wavelet Transform [82.53597363161228]
本稿では,病理組織像間でテクスチャを特徴付ける手法を提案する。
2つのHIデータセットに有望な精度で、そのような画像の固有特性を定量化することが可能である。
論文 参考訳(メタデータ) (2022-02-27T02:19:09Z) - 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。