論文の概要: Detecting Outliers with Poisson Image Interpolation
- arxiv url: http://arxiv.org/abs/2107.02622v1
- Date: Tue, 6 Jul 2021 13:53:17 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-07 13:45:28.643420
- Title: Detecting Outliers with Poisson Image Interpolation
- Title(参考訳): ポアソン画像補間による外乱検出
- Authors: Jeremy Tan, Benjamin Hou, Thomas Day, John Simpson, Daniel Rueckert,
Bernhard Kainz
- Abstract要約: 本稿では,画像再構成法と画像埋め込み法に代えて,病理異常検出手法を提案する。
アプローチは,脳MRIおよび腹部CTデータに優れた成績を示した異種パッチ病理(FPI)戦略に端を発する。
我々は,より優れたパッチ戦略であるPoisson Image (PII) を用いることを提案する。
- 参考スコア(独自算出の注目度): 9.928058261360578
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Supervised learning of every possible pathology is unrealistic for many
primary care applications like health screening. Image anomaly detection
methods that learn normal appearance from only healthy data have shown
promising results recently. We propose an alternative to image
reconstruction-based and image embedding-based methods and propose a new
self-supervised method to tackle pathological anomaly detection. Our approach
originates in the foreign patch interpolation (FPI) strategy that has shown
superior performance on brain MRI and abdominal CT data. We propose to use a
better patch interpolation strategy, Poisson image interpolation (PII), which
makes our method suitable for applications in challenging data regimes. PII
outperforms state-of-the-art methods by a good margin when tested on surrogate
tasks like identifying common lung anomalies in chest X-rays or hypo-plastic
left heart syndrome in prenatal, fetal cardiac ultrasound images. Code
available at https://github.com/jemtan/PII.
- Abstract(参考訳): あらゆる病理学の教師付き学習は、健康スクリーニングのような多くのプライマリケアアプリケーションでは非現実的です。
近年,健康データのみから正常な外観を学習する画像異常検出手法が有望な結果を示している。
本稿では,画像再構成法および画像埋め込み法に代わる手法を提案し,病理異常検出に取り組むための新しい自己教師あり法を提案する。
アプローチは,脳MRIおよび腹部CTデータに優れた成績を示した異種パッチ補間(FPI)戦略に端を発する。
本稿では,より優れたパッチ補間戦略であるpoisson image interpolation (pii) を用いることを提案する。
PIIは、胸部X線における一般的な肺異常の同定や、出生前、胎児の心臓超音波画像における低形成左心症候群などのサロゲートタスクでテストした場合、最先端の手法よりも優れたパフォーマンスを発揮する。
コードはhttps://github.com/jemtan/pii。
関連論文リスト
- A Two-Stage Generative Model with CycleGAN and Joint Diffusion for
MRI-based Brain Tumor Detection [41.454028276986946]
本稿では,脳腫瘍の検出とセグメンテーションを改善するための2段階生成モデル(TSGM)を提案する。
CycleGANは、未ペアデータに基づいてトレーニングされ、データとして正常な画像から異常な画像を生成する。
VE-JPは、合成対の異常画像をガイドとして使用して、健康な画像の再構成を行う。
論文 参考訳(メタデータ) (2023-11-06T12:58:26Z) - Diffusion Models for Counterfactual Generation and Anomaly Detection in
Brain Images [59.85702949046042]
病気の画像の健全なバージョンを生成し,それを用いて画素単位の異常マップを得るための弱教師付き手法を提案する。
健常者を対象にした拡散モデルを用いて, サンプリングプロセスの各ステップで拡散拡散確率モデル (DDPM) と拡散拡散確率モデル (DDIM) を組み合わせる。
本手法が正常なサンプルに適用された場合,入力画像は大幅な修正を伴わずに再構成されることを確認した。
論文 参考訳(メタデータ) (2023-08-03T21:56:50Z) - Domain Transfer Through Image-to-Image Translation for Uncertainty-Aware
Prostate Cancer Classification [60.20736568336466]
臨床的に有意なPCa分類のための前立腺mp-MRIの非対位画像変換のための新しいアプローチを提案する。
我々は、明らかなディープラーニングアプローチにより、モデルの不確実性を見積もる。
提案手法は, ROC曲線(AUC)を20%以上改善することを示した。
論文 参考訳(メタデータ) (2023-07-02T05:26:54Z) - Stain-invariant self supervised learning for histopathology image
analysis [74.98663573628743]
乳がんのヘマトキシリンおよびエオシン染色像におけるいくつかの分類課題に対する自己監督アルゴリズムを提案する。
本手法は,いくつかの乳がんデータセット上での最先端のパフォーマンスを実現する。
論文 参考訳(メタデータ) (2022-11-14T18:16:36Z) - Harmonizing Pathological and Normal Pixels for Pseudo-healthy Synthesis [68.5287824124996]
そこで本研究では,新しいタイプの識別器であるセグメンタを提案し,病変の正確な特定と擬似健康画像の視覚的品質の向上を図っている。
医用画像強調に生成画像を適用し,低コントラスト問題に対処するために拡張結果を利用する。
BraTSのT2モダリティに関する総合的な実験により、提案手法は最先端の手法よりも大幅に優れていることが示された。
論文 参考訳(メタデータ) (2022-03-29T08:41:17Z) - Incremental Cross-view Mutual Distillation for Self-supervised Medical
CT Synthesis [88.39466012709205]
本稿では,スライス間の分解能を高めるために,新しい医療スライスを構築した。
臨床実践において, 根本・中間医療スライスは常に欠落していることを考慮し, 相互蒸留の段階的相互蒸留戦略を導入する。
提案手法は,最先端のアルゴリズムよりも明確なマージンで優れる。
論文 参考訳(メタデータ) (2021-12-20T03:38:37Z) - Margin-Aware Intra-Class Novelty Identification for Medical Images [2.647674705784439]
ノベルティ検出のためのハイブリッドモデル-変換に基づく埋め込み学習(TEND)を提案する。
事前訓練されたオートエンコーダを画像特徴抽出器として、TENDは変換されたオートエンコーダから分布内データの特徴埋め込みを偽のアウト・オブ・ディストリビューション入力として識別する。
論文 参考訳(メタデータ) (2021-07-31T00:10:26Z) - Implicit field learning for unsupervised anomaly detection in medical
images [0.8122270502556374]
オートデコーダフィードフォワードニューラルネットワークは、組織型のプロキシ上の空間座標と確率の間のマッピングという形で、健康な画像の分布を学習する。
回復画像のモデルにより予測されたボクセル的確率を用いて,異常の局所化を行う。
脳MR画像におけるグリオーマの非教師的局在化の課題に対して,本手法を検証し,他のVAEによる異常検出法と比較した。
論文 参考訳(メタデータ) (2021-06-09T16:57:22Z) - 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) - 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) - A versatile anomaly detection method for medical images with a
flow-based generative model in semi-supervision setting [0.0]
本稿では,2つの訓練されたフローベース生成モデルに基づく異常検出手法を提案する。
この方法では、後続確率は任意の画像に対する正規度計量として計算できる。
胸部X線写真(CXR)と脳CT(BCT)の2種類の医用画像を用いて評価した。
論文 参考訳(メタデータ) (2020-01-22T02:01:57Z)
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。